معلومة

الحد الأدنى من معدات EEG القابلة للتطبيق لأبحاث الأطروحة حول BCI / BMI

الحد الأدنى من معدات EEG القابلة للتطبيق لأبحاث الأطروحة حول BCI / BMI


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

أخطط لدراسة أطروحة لتطبيقات Brain-computer Interface (المعروف أيضًا باسم Brain-machine Interface ، BCI ، BMI ، إلخ).

ستشمل إحدى الأوراق الثلاثة في هذه الرسالة جمع البيانات الأصلية وتحليلها وكتابة تطبيق الارتجاع البيولوجي بناءً على هذه البيانات.

أنا في قسم علوم الكمبيوتر في جامعة لا يوجد بها مدرسة للطب ، وبقدر ما أعلم أنني سأضطر إلى شراء المعدات بنفسي من ميزانية بحث متواضعة للغاية.

وبالتالي ، فإن سؤالي هو "ما هو أدنى نوع (أي أرخص) من أجهزة تخطيط كهربية الدماغ التي لا تزال تعتبر حديثة ومتطورة بما يكفي لتكون جديرة بالنشر في المجلات؟".

بالطبع ، لقد أجريت القليل من البحث حول هذا من خلال قراءة المنشورات الحديثة على الباحث العلمي من Google وسأستمر في إجراء المزيد من الأبحاث ، ولكن هناك الكثير من المعلومات الزائدة وليس لدي خلفية سابقة عن معدات EEG ، لذا فإن أي فكرة يكون موضع تقدير كبير.

مما يمكنني قوله ، فإن الشيء الرئيسي الذي يقود السعر هو عدد العملاء المتوقعين أو أجهزة الاستشعار. يبدو أنها تتراوح من 1 رصاصة في ألعاب EEG الاستهلاكية إلى 100 عميل محتمل ، مع الإعلان عن الكثير من المنتجات التي تحتوي على 16 أو 24 خيوطًا. هناك بالطبع الكثير من الميزات الأخرى ، لذلك لا تتردد في الإجابة باستخدام إما منتجات محددة أو من حيث أي ميزات تجدها مهمة.


لقد كنت أعمل مع BCI منذ بعض الوقت وأنصحك بتجربة هذه. تم استخدامها جميعًا على نطاق واسع في أبحاث MS / PhD ونتائجها مقبولة بشكل أو بآخر في كل مكان:

  • إيموتيف
  • نيوروسكي (يبدأ من 99$)
  • g.tec (الأكثر دقة / غالية - لا ينصح به لبدء التشغيل)

ملاحظة: أخيرًا وليس آخرًا ، لا تتردد في إلقاء نظرة على مجموعات بيانات مسابقة BCI. أتذكر أنني استخدمتها في مشروع الفصل الدراسي الخاص بي. بالإضافة إلى ذلك ، إذا كنت مهتمًا بالحصول على مجموعة بيانات BCI الغازية ، يمكنني تزويدك بالبريد الإلكتروني الخاص بالبحث المعني أيضًا. حظا سعيدا في بحثك !!


الحدود في Neurorobotics

انتماءات المحرر والمراجعين هي الأحدث التي يتم توفيرها في ملفات تعريف بحث Loop وقد لا تعكس موقفهم في وقت المراجعة.


  • تحميل المادة
    • تحميل PDF
    • ReadCube
    • EPUB
    • XML (NLM)
    • تكميلي
      مادة
    • ملاحظة ختامية
    • مدير المراجع
    • ملف TEXT بسيط
    • BibTex


    مشاركه فى

    الملخص

    تمثل تقنية واجهة الدماغ الحاسوبية مجالًا متناميًا للغاية للبحث باستخدام أنظمة التطبيق. تتراوح مساهماته في المجالات الطبية من الوقاية إلى إعادة التأهيل العصبي للإصابات الخطيرة. قراءة العقل والتواصل عن بعد لهما بصمات فريدة في العديد من المجالات مثل التعليم والتنظيم الذاتي والإنتاج والتسويق والأمن وكذلك الألعاب والترفيه. يخلق تفاهمًا متبادلًا بين المستخدمين والأنظمة المحيطة. توضح هذه الورقة مجالات التطبيق التي يمكن أن تستفيد من موجات الدماغ في تسهيل أو تحقيق أهدافهم. نناقش أيضًا قابلية الاستخدام الرئيسية والتحديات التقنية التي تواجه استخدام إشارات الدماغ في مختلف مكونات نظام BCI. كما تمت مراجعة الحلول المختلفة التي تهدف إلى الحد من آثارها وتقليلها.


    مقدمة

    يتحسن مجال التقنيات المساعدة لإعادة تأهيل التنقل من خلال إدخال إشارات فيزيولوجية كهربائية للتحكم في هذه الأجهزة. يعمل النظام بشكل مستقل عن التدخلات الجسدية أو العضلية ، باستخدام إشارات الدماغ التي تعكس نية المستخدم & # x00027s للتحكم في الأجهزة / الأطراف (Mill & # x000E1n et al. ، 2010 Lebedev and Nicolelis ، 2017) ، وتسمى واجهة الدماغ والحاسوب (BCI). الطريقة غير الغازية شائعة الاستخدام لتسجيل إشارات الدماغ هي تخطيط كهربية الدماغ (EEG). يتم فك رموز إشارات EEG للتحكم في الأوامر من أجل استعادة الاتصال بين الدماغ وجهاز الإخراج عندما يتم تعطيل قناة الاتصال الطبيعية ، أي نشاط الخلايا العصبية. يمكن العثور على المراجعات الحديثة حول EEG-BCI للاتصال وإعادة تأهيل الأطراف السفلية (LL) في (Cervera et al. ، 2018 Deng et al. ، 2018 He et al. ، 2018a Lazarou et al. ، 2018 Semprini et al. ، 2018 Slutzky ، 2018).

    منذ حوالي خمسة عقود ، استخدمت EEG-BCI حركات مؤشر الكمبيوتر لتوصيل نوايا المستخدم لمساعدة المريض في تطبيقات مختلفة (Vidal، 1973 Wolpaw et al.، 2002 Lebedev and Nicolelis، 2017). أصبحت التطبيقات الآن منتشرة على نطاق واسع ، حيث أصبح التعلم الآلي أحد المكونات الأساسية لـ BCI ، وظيفية في مجالات مختلفة من الروبوتات العصبية والتعويضات العصبية. بالنسبة للأطراف السفلية ، تشمل التطبيقات المساعدة على الحركة البشرية ، وإعادة تأهيل المشية ، وتعزيز القدرات البدنية للبشر الأصحاء (Deng et al. ، 2018). تختلف أجهزة التنقل أو المساعدة في التنقل من الأجهزة التي يمكن ارتداؤها إلى أجهزة الروبوت المساعد (غير القابلة للارتداء). يتم التركيز في تحقيقنا على الأجهزة القابلة للارتداء مثل الهياكل الخارجية ، وتقويم العظام ، والأطراف الاصطناعية ، وأجهزة الروبوتات المساعدة بما في ذلك الكراسي المتحركة ، وتوجيه البشر ، والتواجد عن بُعد ، والروبوتات المحمولة للملاحة.

    تعتمد مخططات التحكم ، التي تقدمها هذه الأنظمة ، على المدخلات المستمدة من الإشارات الكهربية ، وأجهزة الاستشعار الكهروميكانيكية من الجهاز ، ونشر وحدة تحكم الحالة المحدودة التي تحاول توريط نية حركة المستخدم & # x00027s ، لإنشاء مسارات المشي الصحيحة باستخدام الروبوتات القابلة للارتداء (Duvinage وآخرون ، 2012 Jimenez-Fabian and Verlinden، 2012 Herr et al.، 2013 Contreras-Vidal et al.، 2016). عادةً ما يتم استخراج إشارات الإدخال من الأطراف / العضلات المتبقية ، أي الأطراف السفلية المبتورة أو المفككة (LL) ، عن طريق تخطيط كهربية العضل (EMG) ، من المستخدمين الذين لا يعانون من آفة قشرية أو وظائف معرفية سليمة. وبالتالي ، فإن مثل هذه الحلول تمنع مجموعات المرضى الذين تتطلب إصاباتهم مدخلات قشرية مباشرة إلى وحدة التحكم BCI ، على سبيل المثال المستخدمين الذين يعانون من اضطرابات حركية عصبية مثل إصابة الحبل الشوكي (SCI) والسكتة الدماغية ، أو الأعصاب غير النشطة / مجموعات العضلات التآزرية. في هذه الحالة ، يمكن أن تكون المدخلات القشرية المباشرة من مخطط كهربية الدماغ هي مولدات النمط المركزي (CPG) التي تولد أنماط المحرك الأساسية على المستوى فوق النخاعي أو القشري (القشرة الحركية والقشرة الحركية) أو إشارات الصور الحركية الحركية (KMI) (مالوين وريتشاردز) ، 2010). وبالتالي ، فإن تحقيق وحدات تحكم BCI مدفوعة فقط بإشارات EEG ، للتحكم في الأجهزة القابلة للارتداء / المساعدة LL (Lee et al. ، 2017). تشير العديد من التحقيقات إلى أن CPG مع تحكم أقل فوق النخاع متورط في التحكم في الحركة على قدمين (Dimitrijevic et al. ، 1998 Beloozerova et al. ، 2003 Tucker et al. ، 2015). يوفر هذا الأساس لتطوير وحدات التحكم ، المدفوعة مباشرة من النشاط القشري في الارتباط مع نية المستخدم للحركات الإرادية (Nicolas-Alonso and Gomez-Gil، 2012 Angeli et al.، 2014 Tucker et al.، 2015 Lebedev and Nicolelis، 2017) بدلاً من إشارات EMG. وبالتالي ، أصبحت وحدات التحكم مع التعرف على وضع النشاط المستند إلى EEG للأجهزة المساعدة المحمولة ، بديلاً للحصول على نتائج سلسة (Presacco et al. ، 2011b). ومع ذلك ، عند استخدام إشارات EEG كمدخل لوحدة التحكم BCI ، هناك حاجة إلى التحقق من صحة فكرة أن إشارات EEG من القشرة يمكن أن تكون مفيدة للتحكم في الحركة.

    على الرغم من أن المواقع القشرية تشفر نوايا الحركة ، فإن التغييرات الحركية والحركية اللازمة لتنفيذ الحركة المقصودة ، هي عوامل أساسية يجب أخذها في الاعتبار. تشير الدراسات إلى أن التوظيف الانتقائي للتآزر المدمج & # x0201Cmuscle & # x0201D يوفر وسيلة فعالة للحركة الانتقائية القائمة على النية ، أي ، هذه التآزر ، المخزنة في صورة CPGs ، وتحديد التنظيم المكاني لتنشيط العضلات وتوصيف المهام الفرعية الميكانيكية الحيوية المختلفة (Chvatal et al. . ، 2011 Chvatal and Ting ، 2013). وفقًا لـ Maguire et al. (2018) ، أثناء المشي البشري ، حدد Chvatal و Ting (2012) تآزرات عضلية مختلفة للتحكم في نشاط العضلات وتنسيقها. وفقًا لـ Petersen et al. (2012) ، تأثرت مرحلة التأرجح بشكل أكبر بالتحكم القشري المركزي ، أي عطف ظهري في الموقف المبكر عند ضربة الكعب ، وأثناء مراحل ما قبل التأرجح والتأرجح لنقل الطاقة من الجذع إلى الساق. كما شددوا على أهمية النشاط القشري أثناء المشي المستمر غير المضطرب لدعم نشاط CPG. تتواصل الإشارات القشرية التنازلية مع شبكات العمود الفقري لضمان دمج التغييرات الدقيقة في حركة الأطراف بشكل مناسب في نمط المشي (Armstrong ، 1988). تنشط المجموعات السكانية الفرعية للخلايا العصبية القشرية الحركية بالتتابع خلال دورة الخطوة خاصة أثناء بدء التأرجح المسبق والتأرجح (درو وآخرون ، 2008). تم الإبلاغ عن أهمية التنشيط القشري على الصور الحركية (MI) للمهام الحركية في Malouin et al. (2003) و Pfurtscheller وآخرون. (2006 ب). وبالمثل ، تم تمييز تأكيد النشاط الكهربي المقترن بدورة المشي ، أثناء المشي في حلقة مفرغة أو التحكم في LL ، للتطبيقات مثل الهياكل الخارجية EEG-BCI وأجهزة تقويم العظام ، بواسطة (He et al. ، 2018b ، Gwin et al. (2010 ، 2011 ) ، Wieser et al. (2010) ، Presacco et al. (2011a) ، Presacco et al. (2011b) ، Ch & # x000E9ron et al. (2012) ، Bulea et al. (2013) ، Bulea et al. (2015 ) ، Jain et al. (2013) ، Petrofsky and Khowailed (2014) ، Kumar et al. (2015) ، and Liu et al. (2015). يوفر هذا الأساس المنطقي لوحدات التحكم BCI التي تتضمن إشارات قشرية للأوامر عالية المستوى ، استنادًا إلى نية المستخدم في المشي / الحركة على قدمين أو الصور الحركية الحركية لـ LL.

    على الرغم من أن BCIs قد لا تتطلب أي تحكم طوعي في العضلات ، إلا أنها تعتمد بالتأكيد على وظائف استجابة الدماغ وبالتالي فإن اختيار BCI يعتمد على المستخدم & # x00027s الآفة الحسية والقدرة على التكيف. تعتمد الأنواع غير الغازية من BCI على إشارات EEG المستخدمة للاتصال ، والتي تنشأ بموجب بروتوكولات تجريبية محددة. إشارات الفيزيولوجيا الكهربية المنشورة التي نتحرى عنها ، تشمل إيقاعات تذبذبية / حسية (SMR) ، يتم استنباطها عند نية المشي ، أو تنفيذ MI أو المحرك (ME) لمهمة ما ، وأثارت الإمكانات كإمكانيات مرتبطة بالحدث (ERP / P300) وإمكانات مستحثة بصرية ( VEP). تعمل BCI كجسر لجلب المدخلات الحسية إلى الدماغ ، وتجاوز قدرات البصر أو الاستماع أو الاستشعار. يوضح الشكل 1 وصفًا تخطيطيًا لنظام BCI المستند إلى MI ، مقتبس من He et al. (2015). يقوم المستخدم بتنفيذ MI للأطراف ، والتي تم ترميزها في ميزات قراءة EEG التي تمثل المهمة ، ويتم فك تشفيرها ومعالجتها وترجمتها إلى أوامر من أجل التحكم في جهاز الروبوت المساعد.

    شكل 1. رسم تخطيطي عام للمفهوم / الوظيفة لأجهزة LL المساعدة التي يتم التحكم فيها بواسطة BCI استنادًا إلى الصور الحركية.

    يتم تقديم مخططات التحكم التي تم مراجعتها والتي تم نشرها بواسطة الروبوتات القابلة للارتداء والروبوتات المساعدة بطريقة جديدة ، أي في شكل إطار تحكم عام مناسب في طبقات هرمية. يعرض التفاعلات المعلوماتية بين المستخدم ومشغل BCI ووحدة التحكم المشتركة وجهاز الروبوت مع البيئة. تتم مناقشة مشغل BCI بالتفصيل في ضوء طرق استخراج الميزات والتصنيف والتنفيذ المستخدمة من قبل جميع الأنظمة التي تمت مراجعتها. يتم تقديم الملامح الرئيسية لتطبيقات BCI الحالية المستندة إلى EEG وتفاعلها مع البيئة وتلخيصها في شكل جدول. يمكن لإطار التحكم BCI المقترح أن يلبي أنظمة مماثلة تعتمد على فئات مختلفة جوهريًا. نتوقع حدوث تقدم في دمج إطار العمل الجديد لتحسين خوارزميات تكيف المستخدم مع الآلة في BCI.

    أشارت مخططات التحكم التي تمت مراجعتها إلى أن MI / ME لمهام LL ، حيث لم يتم استخدام جوانب BCI المستندة إلى SMR على نطاق واسع مقارنة بالأطراف العلوية (طارق وآخرون ، 2017 أ ، ب ، 2018). ويرجع ذلك إلى مساحة التمثيل الصغيرة لـ LL ، على عكس الأطراف العلوية ، الموجودة داخل الشق الكروي للقشرة الحسية الحركية (Penfield and Boldrey ، 1937). المراجعة هي محاولة للتقدم في تطوير المهام العقلية للمستخدم & # x00027s المتعلقة بـ LL لمقاييس الثقة والموثوقية BCI.

    تمت مناقشة التحديات التي تواجهها حاليًا التكنولوجيا القابلة للارتداء والمساعدات التي يتم التحكم فيها بواسطة EEG-BCI ، من أجل التحكم السلس في الوقت الفعلي ، لاستعادة دورة المشي الطبيعية متبوعة باحتمال ضئيل لأوامر غير إرادية ، والتطورات المستقبلية المحتملة في هذه التطبيقات ، تمت مناقشتها في الأخير الجزء.


    2. المواد والأساليب

    2.1. متطلبات الصك

    حددنا الجوانب الحاسمة التي يجب الوفاء بها لجهاز fNIRS في سياق BCI المحمول وعلم العمل العصبي. إلى جانب معيار أن تكون الأجهزة منخفضة التكلفة نسبيًا ، يمكن تعيين هذه إلى أربع مجموعات:

    & # x02022 سهولة الاستخدام: تصغير الجهاز وتنقله ، وعدم وضوح وقوة مرفق optode.

    & # x02022 جودة الإشارة: تداخل منخفض بين القنوات ، انجرافات منخفضة لمصادر الضوء وإشارات النظام الشاملة ، حساسية عالية للإشارة / دقة مكبر للصوت ، متانة لضوء الخلفية ومدى ديناميكي عالي.

    & # x02022 أمان: تطور الحرارة المنخفضة ، شدة الضوء غير المؤذية والعزل الجلفاني لخطوط الكهرباء.

    & # x02022 التكوين / التخصيص: قابلية توسيع رقم القناة ، والنمطية ، وتكوين شدة الضوء وكسب جهاز الاستقبال ، والواجهة للقرص الصلب / البرامج المخصصة.

    ستوفر الأقسام الفرعية التالية معلومات مفصلة عن نهجنا للوفاء بهذه المتطلبات على مستوى المفهوم والأجهزة والبرامج.

    2.2. تصميم الأجهزة

    2.2.1. مفهوم النظام

    يظهر مفهوم النظام للأداة المعيارية المفتوحة في الشكل 1. وهو يتألف من واحد أو أكثر من وحدات الموجة المستمرة NIRS ذات 4 قنوات ولوحة رئيسية. يتم التحكم في كل وحدة من خلال اللوحة الأم عبر واجهة تحكم متوازية بسيطة 4 بت. توفر اللوحة الرئيسية قضبان إمداد الطاقة وتحويل AD لإشارات NIRS وواجهة اتصال UART ويمكن استبدالها بأي معدات اكتساب بيانات مخصصة (DAQ-) عند توفير واجهة التحكم وسكة الطاقة المتماثلة & # x000B15 V. يتيح ذلك التخصيص الكامل للأداة فيما يتعلق برقم القناة المادية واستهلاك الطاقة ومعدل التحويل والعمق ، مع التوزيع المكاني لمكونات الأجهزة (والوزن) ، وإجراء تضخيم إشارة الأجهزة المحلية ومعالجتها ، وبالتالي تقليل الضوضاء والتداخلات.

    الشكل 1. مفهوم النظام.

    تم تصميم وحدات fNIRS مع الأخذ في الاعتبار الفهم الحالي لتكنولوجيا أجهزة fNIRS كما راجعها Scholkmann et al. (2014) وآخرون (Obrig and Villringer، 2003 Son and Yazici، 2006) مع إيلاء اهتمام خاص لتصميم الأجهزة واختيار الطول الموجي لتعظيم SNR / تقليل الحديث المتبادل والنظر في المخاطر المحتملة كما حددها Bozkurt و Onaral (2004).

    توفر كل وحدة أربع قنوات fNIRS ذات طول موجي مزدوج باستخدام 750 و 850 نانومتر من الطول الموجي المتعدد ابيتكس L750 / 850-04A المصابيح. بينما تحتوي مصابيح LED على طيف انبعاث أوسع (& # x00394 & # x003BB = 30/35 نانومتر) من ثنائيات الليزر ذات الذروة الحادة (عادةً & # x00394 & # x003BB & # x02248 1 نانومتر) ، يسمح ضوءها غير المتماسك وغير المتساقط بكثافة استجواب أعلى للأنسجة والتلامس المباشر مع فروة الرأس بسبب انخفاض درجة الحرارة وهو أكثر أمانًا للعين البشرية.

    يتم تنظيم تيار LED بواسطة دوائر منظم تيار قابل للتعديل بناءً على مكبرات صوت عالية الدقة (الأجهزة التناظرية AD824A) والترانزستورات ذات التأثير الميداني (FMB2222A). يتم تنفيذ تنشيط القناة والتعديل الحالي لتضخيم القفل بواسطة مفاتيح تمثيلية (الأجهزة التناظرية ADG711) التي يتم الوصول إليها عبر مزيل تعدد الإرسال تمثيلي 1: 8 (NXP HEF4051). بعد استجواب الأنسجة ، يتم الكشف عن ضوء NIR بواسطة كاشف صور مركزي مع مضخم معاوقة عابرة مدمج لتقليل ضوضاء الإخراج (تكساس انسترومنتس OPT101، 1 M & # x003A9 مقاوم ردود الفعل ، وعرض النطاق الترددي 14 كيلو هرتز) ثم يتم تضخيمه وإعادة تشكيله (باستخدام الأجهزة التناظرية AD630). 8 بت Atmel Corp. AtMega16A تقوم وحدة التحكم الدقيقة & # x00027s PWM بإنشاء مرجع الموجة المربعة 3.125 كيلو هرتز لتعديل القفل (de-) باستخدام بلورة 20 ميجاهرتز خارجية لتقليل الاهتزاز. كما أنه يعالج إشارات التحكم الواردة من واجهة التحكم ذات 4 بتات ويعمل على تكوين الأجهزة الموجودة على اللوحة. لضبط تيارات LED ، يوجد محول رقمي إلى تناظري 8 بت (DAC مكسيم MAX5480) تم تنفيذه. يوفر مستوى الجهد عند مدخلات المنظم الحالي وهو متغير الأمر لمستوى التنظيم الحالي. مضخم كسب قابل للبرمجة (تكساس انسترومنتس PGA281) لتضخيم القفل المسبق لإشارة NIR المكتشفة مع كسب متغير من جي = 0.688 إلى 88.

    أثناء إزالة تشكيل القفل ، يتم ترشيح الإشارة بواسطة تمرير منخفض بتروورث من الدرجة الثالثة ثم يتم تضخيمها مرة أخرى (جي = 5.1) واستقرت بواسطة مجموعة من مضخمين عالي الدقة (تكساس انسترومنتس LMC6062) قبل مغادرة وحدة fNIRS لتحويل AD الخارجي.

    تم تصميم النظام لتعدد الإرسال بالتقسيم الزمني (TDM) لقنوات fNIRS. هذه مفاضلة بين تقليل الحديث المتبادل بين القنوات والتدفئة (Bozkurt and Onaral ، 2004) واستهلاك البطارية من ناحية والتضحية بـ SNR ، والتي تقتصر على عرض النوافذ الزمنية المطبقة. من أجل فك تعدد إرسال فروع الإخراج المغلقة ، يتم إدخال وقت متغير (يعتمد على معدل العينة) بعد كل بداية تنشيط قناة واحدة قبل أخذ عينات من إشارة كاشف الصورة الثابتة على اللوحة الرئيسية أو باستخدام معدات DAQ المخصصة.

    كسب PGA شكلي (جي = 0.6875 & # x0201388) وشدة LED (256 مستوى DAC) بالاقتران مع التغذية المرتدة & # x0201C Signal Monitor & # x0201D خط يسمح بالتكيف المعتمد على الإشارة لأقصى قدر من التضخيم في عملية فك القفل دون الوصول إلى حد النطاق الديناميكي بواحد من المكونات.

    نمطية: يسمح التصميم الموصوف أعلاه لوحدات fNIRS بالتشغيل في العديد من التكوينات & # x02014 يتطلب فقط التوافق مع الواجهة المذكورة أعلاه والتي تتكون من تحكم 4 بت وإمداد طاقة وإخراج تناظري. لتمديد إجمالي عدد القنوات ، يمكن استخدام عدة وحدات. لا تؤثر التغييرات في الإعداد وعدد الوحدات إلا على وحدة التحكم وإجراءاتها التي يختارها المستخدم ، والتي تنشط القنوات متعددة الإرسال بتقسيم الوقت وتحويل إشارات fNIRS التناظرية من الوحدات النمطية:

    & # x02022 حيث كان الهدف من هذا العمل هو تصميم وحدات fNIRS مصغرة لتطبيقات الهاتف المحمول ، وهو متحكم دقيق (اتميل ات ميجا 644) تم تطوير اللوحة الرئيسية القائمة للحصول على بيانات الجوال والتحكم في الوحدة. استخدام محول تناظري إلى رقمي ذو 4 قنوات 16 بت (ADC التقنيات الخطية LTC2486) ووحدة تحكم بلوتوث لاسلكية (Amber Wireless AMB2300) ، تستحوذ اللوحة الرئيسية على إشارة (إشارات) fNIRS من ما يصل إلى 4 وحدات (16 قناة) ، وتنقل البيانات إلى جهاز كمبيوتر عبر بروتوكول تسلسلي وتعالج عناصر تحكم المستخدم الوارد.لقياس عدد القنوات ، يقوم المستخدم بتوصيل العدد المطلوب من الوحدات وتكوين روتين مسؤول القناة على اللوحة الأم & # x00027s متحكم (انظر أيضًا القسم 2.2.3). يتم إنشاء سكة الطاقة المتماثلة & # x000B15 V من جهد تيار مستمر للبطارية باستخدام دائرة منظم طاقة خطية مستقرة (بناءً على ON أشباه الموصلات MC7805 و MC7905 المرحلية). كما أن التشغيل على البطاريات واستخدام الفولتية المنخفضة فقط يضمن سلامة المستخدم.

    & # x02022 اللوحة الأم هي عنصر نائب لأي جهاز اكتساب وتحكم طرفي (مخصص). مع أجهزة DAQ التي توفر عمليات إدخال / إخراج رقمية وإمداد طاقة خارجي ، يمكن استخدام أي عدد من الوحدات (محدود بوقت المكوث المطلوب ومعدل أخذ العينات) والتحكم فيه عن طريق إجراءات التحكم والاكتساب المكتوبة والمخصصة من قبل المستخدم.

    2.2.2. اختيار جوانب تصميم الأجهزة

    فرع باعث: للحصول على دقة عالية لأداة fNIRS ، يعد التصميم الدقيق لدائرة انبعاث ضوء NIR أمرًا بالغ الأهمية ، حيث لا يمكن التمييز بين التقلبات في شدة الإشعاع والتغيرات في الامتصاص بسبب التغيرات في تركيزات الكروموفور في الأنسجة.

    للحفاظ على التيار من خلال تقاطعات أشباه الموصلات LED ثابتًا ومستقلًا عن الاختلافات في جهد الإمداد ودرجة الحرارة ، وفي نفس الوقت السماح بضبط الكثافة وتعديل التيار لعملية تضخيم القفل ، تم تصميم دائرة منظم تيار مخصص (انظر الشكل 2 ).

    الشكل 2. الدائرة الحالية المنظم / المغير.

    على غرار الحل الذي اقترحه Chenier and Sawan (2007) ، يتم استخدام مفتاح تناظري في دائرة التنظيم القائمة على OpAmp لتعديل الموجة المربعة للتيار. ومع ذلك ، بدلاً من تعطيل عملية التنظيم في قاعدة الترانزستور ، يتم استخدام المفاتيح التناظرية (ADG711) عند مدخلات دوائر المنظم لسحب مدخلات المنظم منخفضة عند إلغاء تنشيطها. وهكذا يتحقق تنشيط وتعديل قناة fNIRS ببساطة عن طريق التغذية من خلال مرجع الموجة المربعة إلى مفتاح منظم التيار المقابل المحدد بواسطة معدد الإرسال.

    نظرًا لتعديل المنظم في نطاق kHz ، فإن over-and underfoot تؤثر على شكل الموجة المربعة المثالي للتيار. لتحسين الشكل ، تمت إضافة تعليقات RC سلبية سلبية وتقييمها للحصول على أفضل أداء.

    فرع المستقبل: تم تصميم فرع المستقبل لتعظيم نسبة الإشارة إلى الضوضاء (SNR) عن طريق تقليل تأثيرات الضوضاء الناتجة عن اللقطة والحرارة و 1 & # x02215F الضوضاء والتيارات المظلمة والضوء الشارد من مصادر الضوء الخارجية.

    تعتمد ضوضاء اللقطة على الطبيعة الكمومية للفوتونات وبالتالي لا يمكن تجنبها ، وبالنسبة للكاشفات التي لا تحتوي على تضخيم داخلي ، فإنها تتناسب مع الجذر التربيعي لمتوسط ​​شدة الحادث (Scholkmann et al. ، 2014). لتعظيم SNR ، يتم تشغيل الأداة باستخدام الحد الأقصى لمستوى شدة ضوء NIR للمنظمين الحاليين وهو أمر ممكن في الموقف التجريبي. تُستخدم الأنابيب المطاطية الخلوية غير الشفافة لتغطية جوانب بواعث NIR والكاشف ويتم تغطية مبيت وحدة fNIRS بطلاء معتم لتقليل تأثيرات ضوضاء اللقطة من إشعاع الخلفية.

    لتقليل تأثيرات الضوضاء الحرارية ، تم اختيار الصمام الثنائي للصور Si مع دارة مضخم المقاومة العابرة المتكاملة (OPT101) للكشف. يعمل الاستخراج المحكم للإشارة المكتشفة على تقليل الضوء الشارد والتيار المظلم وتأثيرات ضوضاء 1 / f. يتيح وضع PGA بين وحدة الاستخراج والكشف عن أقصى قدر من التضخيم المسبق للإشارة بينما يتم تقليل مكونات ضوضاء مكبر الصوت المضافة في عملية التضخيم عن طريق إزالة التشكيل اللاحقة. يتم إضعاف المكونات غير الفسيولوجية عالية التردد للإشارة بواسطة مرشح التمرير المنخفض من الدرجة الثالثة لوحدة إزالة التشكيل المثبتة.

    2.2.3. واجهات وتصميم البرمجيات

    يوضح الشكل 3 مفهوم البرنامج. يقوم برنامج الوحدة النمطية fNIRS بإعداد مكونات الأجهزة (PGA و DAC و MUX و # x02026) ويتم التحكم فيه بواسطة بنية قائمة على المقاطعة تتلقى إشارات التحكم الخاصة بها من الواجهة المتوازية 4 بت. لذلك ، يمكن إجراء تشغيل الواجهة وتحويل الإشارة التناظرية بواسطة اللوحة الأم أو أي جهاز DAQ مخصص أو قياسي مع مخرجات رقمية قابلة للبرمجة 4 بت (مثل سلسلة NI USB600x). باستخدام اللوحة الرئيسية ، يشرف روتين إدارة القناة على الحصول على البيانات ويعمل كواجهة بين وحدات fNIRS والكمبيوتر من خلال معالجة أوامر المستخدم المستلمة (التكوين والبدء والإيقاف & # x02026) ، وترجمتها إلى إشارات لواجهة وحدة fNIRS 4 بت ( s) وإرسال حزم البيانات التي تم الحصول عليها عبر واجهة UART. على جانب نظام التشغيل PC & # x00027s ، يمكن للمستخدم التحكم في الأداة وقراءة حزم البيانات مباشرةً بتنسيق ASCII CSV عبر وحدة تحكم أوامر منفذ تسلسلي بسيطة أو الوصول إلى المنفذ التسلسلي باستخدام أي برنامج مثل LabView أو Matlab. تم تطوير واجهة مستخدم رسومية LabView لسهولة التكوين والتحكم بالإضافة إلى عرض وتسجيل بيانات قانون Beer-Lambert الخام والمعدلة.

    الشكل 3. مفهوم البرمجيات والواجهة. يتم تشغيل وحدة fNIRS المستقلة عبر واجهة تحكم متوازية بواسطة اللوحة الأم أو أي جهاز تحكم مخصص والحصول على البيانات. وظيفة الواجهة ذات 4 بت (3: RST ، 2: TRIG ، 1: CH1 ، 0: CH0): Bits CH1: CH0 حدد إحدى قنوات NIRS المادية الأربعة. تعمل الحافة الصاعدة على خط TRIG على تنشيط القناة المحددة ، بدءًا من الطول الموجي 750 نانومتر لمصباح LED المقابل. تقوم كل حافة صاعدة لاحقة بتبديل التنشيط بين 750 و 850 نانومتر. عندما يتم سحب خط RST ، يتم إيقاف تشغيل جميع القنوات. تبدأ الحافة الصاعدة التالية على خط TRIG العملية مرة أخرى ، بدءًا من 750 نانومتر.

    2.2.4. التصميم الميكانيكي والمسبار

    في أداة fNIRS & # x00027s التصميم الميكانيكي ، تستمر فكرة النمطية / قابلية التوسع والتثبيت القوي من خلال توفير حلول مطبوعة ثلاثية الأبعاد مخصصة لوحدات fNIRS الفردية واللوحة الرئيسية:

    يتم ارتداء اللوحة الرئيسية ووحدة Bluetooth والبطاريات في الجزء العلوي من الذراع في غلاف متعدد الوحدات متسلسل (انظر أيضًا الشكل 5 ، في القسم التالي).

    بالنسبة لوحدات fNIRS الفردية ، تم الاقتراب من تصميم ميكانيكي جديد محمّل بنابض لتحسين جودة الإشارة والحساسية وعمق اختراق الضوء جنبًا إلى جنب مع التثبيت السهل والقوي والتكيف للألواح الضوئية (انظر الشكل 4). بناءً على تقريب كروي للرأس بالقطر د = 20 سم ، يتم وضع كاشف الضوء المركزي NIR وأربعة مصابيح NIR بشكل عمودي على فروة الرأس مع مسافة كاشف المصدر د = 35 ملم. لتمكين التثبيت العمودي للبواعث / الكاشف وفي نفس الوقت السماح بالمحاذاة مع التفاوت الطبيعي للرأس وانحرافاتها عن التقريب الكروي ، لا يتم توصيل مصابيح LED الضوئية NIR بشكل صارم بغطاء جسم الوحدة النمطية ولكنها مدمجة في الزنبرك المتحرك- حاملي LED المحملة. تعتمد هذه الحوامل على أنبوبين متداخلين محملين بنابض ضد بعضهما البعض (S1) وضد حاوية الوحدة (S2) ويمكنهما الدوران حول محور (R): يضغط الزنبرك S1 على مؤشر LED باتجاه سطح الرأس ، وبالتالي تمكين المحاذاة ومنع فقدان الاتصال أثناء الحركات. يحافظ الربيع S2 والمفصل الدوار R على عمودي LED على السطح مع تمكين انحرافات صغيرة للراحة والمحاذاة.

    الشكل 4. المفهوم الميكانيكي النابض: تقريب كروي للرأس (أعلى اليسار) ، ترتيب قناة هندسية (أحمر: NIR LEDs ، أسود: كاشف ضوئي ، أزرق: نقاط القياس بأعلى حساسية أعلى اليمين) ، تصميم ميكانيكي بنابض موضح على حامل LED واحد (أسفل). زنبرك S1 للمحاذاة والتخزين المؤقت ، زنبرك S2 ومفصل دوار R للمحاذاة العمودية.

    لتقليل تأثيرات الضوء الشارد ولأغراض التوسيد ، يتم تغليف الكاشف والبواعث بأنابيب مطاطية خلوية غير شفافة. لتثبيت وحدة واحدة في الرأس ، يمكن استخدام شريط مرن مزود بقفل خطاف وحلقة يتم خياطته في مبيت الوحدة.

    تم تصميم المفهوم الميكانيكي للسماح باستخدام الوحدات على الجبهة وكذلك فوق مناطق الشعر من الرأس: يمكن الوصول بسهولة إلى optodes المفرد المحمّل بنابض نظرًا لتثبيته المعيارية بدون غطاء أو عناصر إخفاء أخرى. يمكّن هذا المستخدم من تنظيف الشعر يدويًا جانباً من تحت الرموز البصرية للحصول على اتصال بصري أفضل. على الرغم من أننا نجحنا في إجراء قياسات على المناطق المشعرة في الرأس ، إلا أنه يجب الإشارة إلى أن قابلية استخدام الوحدات في مناطق أخرى غير الجبهة لم يتم إثباتها في ظل ظروف خاضعة للرقابة حتى الآن.

    2.3 تقييم النظام

    2.3.1. تحليل الأجهزة

    لتمكين التوصيف المتمايز للأداة & # x00027s الأجهزة وفقًا للوحدات الوظيفية ، تم تقسيم التقييم والتحليل إلى فرع الباعث (التنظيم والتعديل الحالي) ، وفرع المستقبل (وحدة القفل) ، واستقرار مصدر الطاقة وخصائص الانجراف الكلية:

    & # x02022 سرعة المنظم / المغير الحالي وخصائص الشكل / التذبذب الحالي: لتقييم وتحسين خصائص تصميم المنظم الحالي للحصول على شكل موجة مربعة مستقرة ومتذبذبة إلى الحد الأدنى ولكن حاد للإشارة الحالية المنظمة ، تم إجراء كل من محاكاة LTSpice والقياسات وتم تحسين معلمات تصميم المنظم بشكل متكرر باستخدام مضخمين تشغيليين عاليي الدقة (تناظري) الأجهزة AD824A والتقنيات الخطية LMC6064). لتقليل التذبذب العابر وأوقات الاستقرار ، مكثف فصل ردود الفعل السلبية ج تم تقديمه إلى تصميم المنظم. لتحديد قيمتها المثلى ، تم فحص شكل إشارة تيار الموجة المربعة المنظمة في نطاق من ج = 0 pF إلى ج = 330 pF بمستويات حالية مختلفة.

    & # x02022 أداء ثابت: يؤدي مجموع تأخيرات الانتشار التي تنتج عن كل مكون من مكونات الأجهزة في مسار إشارة الباعث والكاشف إلى تحول كامل في الطور بين إشارة الدخل والإشارة في عملية التضخيم التناظري القفل. ينتج عن تحول الطور هذا إضعاف الإشارة أثناء إزالة التشكيل (Meade ، 1982 ، 1983). لتقليل هذا التأثير ، تم تحديد جميع عناصر الأجهزة في مسار الإشارة فيما يتعلق بأوقات تأخير عالية / منخفضة. تحول الطور الكلي المتبقي & # x00394 & # x003A6 = & # x00394 t T & # x000B7 2 & # x003C0 بين الإشارة المرجعية (مع نقطة تي) وتم قياس الإشارة المضخمة مسبقًا المكتشفة قبل إزالة التشكيل. باستخدام النموذج الرياضي المستقيم الثابت لإزالة التشكيل المرجعي للموجة المربعة ، كما هو الحال في Meade (1983) ، عامل التوهين المعتمد على إزاحة الطور

    لتقدير التوهين الناتج.

    لتقدير حساسية المستقبل باستخدام القدرة المكافئة للضوضاء (NEP) ، تم قياس مستويات ضوضاء الجهد المظلمة (لا يوجد ضوء ساقط للكاشف الضوئي) عند خرج وحدة القفل.

    & # x02022 انجرافات النظام: تم النظر في المصادر المحتملة التالية لانحراف النظام: التغييرات في مقاومة تنظيم التيار 1 & # x003A9 LED بسبب التغيرات في درجة الحرارة ، والتغيرات في إجمالي الطاقة المشعة لمصابيح LED بسبب درجة حرارة تقاطع أشباه الموصلات والتغيرات على الرغم من التيارات الثابتة وتغيرات جهد الإمداد. يتم قمع التغييرات في الضوء الشارد وضوضاء المضخم والمقاوم الحراري بشدة من خلال عملية تضخيم القفل. لتقليل انجرافات الإشارة الناتجة عن التغيرات في مقاومة منظم التيار 1 & # x003A9 ، مقاومات استشعار التيار من باناسونيك مع معامل درجة حرارة منخفض للمقاومة (TCR = & # x000B150 & # x000B710 & # x022126 / & # x000B0C) تم اختيارهم.

    تم تحديد الانجراف الكلي للنظام لوحدة fNIRS الفردية بنوافذ اكتساب مستمرة لمدة 20 دقيقة لقناة نشطة واحدة بأقصى كثافة (100 مللي أمبير) مع ضبط PGA على جي = 44 والوحدة الموضوعة في موضع ثابت في صندوق مغلق معتم.

    & # x02022 استقرار امدادات الطاقة للوحة الأم: تم تقييم انجرافات جهد إمداد التيار المستمر خلال 20 دقيقة من فترات الحصول على الإشارة وتأثيرات التعديل الحالية على جهد الإمداد. نظرًا لأن تعديل الموجة المربعة 100 مللي أمبير (كحد أقصى) 3.125 كيلو هرتز يمكن أن يؤثر على استقرار جهد مصدر الطاقة والضوضاء ، فإنه يمكن أن يؤدي إلى تدهور أداء عناصر الكشف عن الإشارة والتضخيم. تم الحصول على إشارات الخرج الخاصة بهم أثناء التعديل النشط بينما تم ضمان عدم وجود إدخال بصري إلى كاشف الصور عن طريق تغليف LED النشط بصندوق معدني غير شفاف. من أجل التخصيص ، يسمح تخطيط وحدة fNIRS بإمداد منفصل ومشترك لتيارات LED وأجهزة الوحدة.

    2.3.2. التحقق الفسيولوجي

    تم إجراء تجارب نوعية بسيطة باستخدام قناة عند 10 & # x0201320 نقطة Fp1 للتحقق من قوة المعلومات الفسيولوجية في الإشارة الأولية وطيف طاقتها. من بين أمور أخرى ، تعد رؤية وقوة القطع الأثرية النبضية مؤشرات لجودة الإشارة وقد تم توثيقها على نطاق واسع في أدبيات fNIRS مع كون النبضات الأثرية & # x00027s السعة في ترتيب الاختلافات الأيضية بسبب نشاط الدماغ (Boas et al. ، 2004 Lareau et al.، 2011 Scholkmann et al.، 2014). وبالتالي ، مع الضغط على وحدة fNIRS بقوة على الرأس لتقليل الحساسية لإشارات فروة الرأس (انخفاض تدفق الدم تحت optodes) ، فإن أثر النبض المرئي بوضوح هو المؤشر الأول لجودة الإشارة الكافية لقياس تنشيط الدماغ. تم التحقق من معدل النبض بقياسات النبض المرجعية التقليدية.

    للتحقق والقياس الكمي لقدرة الجهاز & # x00027s على قياس نشاط الدماغ الأيضي ، أجريت تجربة الحساب الذهني BCI مع 12 شخصًا. في هذه التجربة ، تبين أن الاستجابات الديناميكية الدموية المقاسة يمكن تصنيفها على أساس تجربة واحدة ، أي يمكن تصنيف كل تجربة على أنها تحتوي على حساب عقلي أو استرخاء ، بدلاً من قياس الاختلاف فقط في متوسط ​​استجابة الدورة الدموية.

    من المعروف أن مهام الحساب الذهني تؤدي إلى تفاعلات ديناميكية دموية قوية غير مشروعة في مناطق الدماغ الأمامية وقد تم التحقيق فيها في مجموعة متنوعة من الدراسات باستخدام fNIRS (Ang et al. ، 2010 Herff et al. ، 2013 Bauernfeind et al. ، 2014). هنا ، تم تسجيل 30 تجربة لبيانات الحساب الذهني لكل مشارك. خلال كل تجربة 10 ثوانٍ ، طُلب من المشاركين طرح عدد يتراوح بين 7 و 19 (باستثناء 10) بشكل متكرر من رقم بين 501 و 999). تم عرض كلا الرقمين على شاشة على مسافة 50 سم تقريبًا. بعد كل تجربة حسابية ذهنية ، طُلب من المشاركين الاسترخاء لمدة 25 & # x0201330 ثانية. تمت الإشارة إلى فترات التوقف هذه بواسطة تقاطع تثبيت على الشاشة. تم تضمين فترة راحة أطول متغيرة الطول بعد 15 تجربة للسماح للمشاركين بالراحة والشرب. لم يتم استخدام أي بيانات عن فترات الراحة الممتدة هذه في تحليلنا.

    تم وضع جهاز fNIRS المفتوح على الجبهة وتثبيته حول الرأس بشريط مرن مع قفل خطاف وحلقة مُخيط في غلافه. تم وضعه على هذا النحو بحيث تم وضع كل من البواعث النشطة في المواقع Fp1 و Fp2 للنظام الدولي 10 & # x0201320. تم وضع كاشف الضوء على AFz مما أدى إلى مسافة باعث وكاشف بحوالي 3.5 سم.

    تم إبلاغ جميع الأشخاص قبل التجربة ومنحهم موافقة خطية.

    تم إجراء معالجة إشارة البيانات المسجلة بطريقة مباشرة وبسيطة ، حيث أننا نركز على الأجهزة المطورة في هذه الورقة. وقد ثبت أن طرقًا أكثر تقدمًا تعمل على تحسين دقة التصنيف في التصوير العصبي (Calhoun et al. ، 2001 Blankertz et al. ، 2008 Lemm et al. ، 2011 Heger et al. ، 2014). تم نقل الكثافات الضوئية الخام إلى تغيرات تركيز الهيموجلوبين المؤكسج وغير المؤكسج (HbO و HbR ، على التوالي) باستخدام قانون Beer-Lambert المعدل (Sassaroli and Fantini ، 2004). تم بعد ذلك فصل قيم HbO و HbR خطيًا في نوافذ 300 ثانية. تم تخفيف ضوضاء التردد المنخفض عن طريق طرح متوسط ​​متحرك لمتوسط ​​30 ثانية قبل وبعد كل عينة. أخيرًا ، تم ترشيح البيانات بتمرير منخفض باستخدام مرشح IIR إهليلجي بترتيب مرشح 6 وتردد قطع يبلغ 0.5 هرتز لتقليل الضوضاء النظامية عالية التردد مثل القطع الأثرية النبضية.

    بعد المعالجة المسبقة ، تم استخلاص التجارب بناءً على توقيت التجربة. بالنسبة إلى كتل الإيقاف المؤقت ، قمنا باستخراج آخر 10 ثوانٍ من فترات الإيقاف المؤقت 25 & # x0201330 ثانية ، لضمان عودة مستويات الهيموجلوبين إلى خط الأساس. لكل تجربة حسابية ذهنية ، استخرجنا 10 ثوانٍ من البيانات بدءًا من 5 ثوانٍ بعد عرض التحفيز ، للتأكد من أن الاستجابة الديناميكية الدموية قد تطورت بالفعل. تم تعيين التسميات للتجارب التي تشير إما إلى الحساب الذهني أو بيانات الإيقاف المؤقت. لكل تجربة ، استخرجنا ميل الخط المستقيم المجهز ببيانات HbO و HbR لكل قناة كميزة. تم تركيب الخط باستخدام الانحدار الخطي مع نهج المربعات الصغرى. لقد ثبت أن ميزات المنحدر تعمل بشكل جيد في الدراسات السابقة (Herff et al. ، 2014).

    تم إجراء التقييم باستخدام التحقق المتقاطع من 10 أضعاف والتصنيف بواسطة التحليل التمييزي الخطي. بالإضافة إلى تحليل التجربة الفردية ، يتم حساب متوسط ​​الاستجابة الديناميكية الدموية عن طريق حساب المتوسط ​​على جميع الحسابات الذهنية أو جميع تجارب التوقف.


    التكنولوجيا والبحوث

    تقنية BCI للأطفال: نظرة واعدة لمستقبل إعاقة الطفولة

    مستقبل تكنولوجيا BCI واعد. تشهد تقنية BCI الخاصة بالأطفال على وجه الخصوص زيادة في الاهتمام ، مع تحسينات محتملة في النتائج العلاجية التي تم الإبلاغ عنها بالفعل لمختلف مجموعات المرضى. اقترحت الأبحاث المبكرة أنه من خلال مساعدة BCI ، قد يساعد إعادة التأهيل القائم على الارتجاع العصبي لدى الأطفال المصابين بالشلل الدماغي في تشجيع التغييرات البلاستيكية العصبية المبكرة التي يمكن أن تحسن اكتساب التحكم في المحرك ، والذي سيكون أكثر صعوبة (Daly et al. ، 2014) . مع تقدم هذا المجال ، يجب أن نسعى بشكل جماعي لتحسين نوعية الحياة لكل من أولئك الذين لديهم تاريخ موثق للتحكم في المحركات ، وكذلك لأولئك الذين قد لا تكون أنماط حركتهم وتحكمهم في الحركة ظاهرة من قبل.

    تلوح في الأفق تطبيقات مستقبلية متنوعة لتكنولوجيا BCI. وتشمل هذه مجموعة من المشاريع من تحسين معدل نقل المعلومات من الكلام والتواصل BCIs القائمة على تطوير أنظمة BCI الحالية للأطفال لتشمل البيانات متعددة الوسائط وتدفقات المدخلات. تهدف هذه الأهداف إلى تلبية الاحتياجات المعقدة للأفراد الذين سيستفيدون أكثر من هذه الأنظمة مع تحسين اتصالاتهم المستقلة والاستجابة الاجتماعية وسيولة الحركة. توفر أحداث مثل Cybathlon بيئات فريدة وتنافسية تساعد في تعزيز استخدام BCI لفترة أطول وممارستها من خلال المستخدم النهائي لـ BCI (Perdikis et al. ، 2018). تستثمر فرق BCI في جميع أنحاء العالم في تحويل الحياة التي قد تستفيد من تطوير وتوليف BCI ولكن لا يركز أي منها تقريبًا على احتياجات الأطفال المعوقين.

    يواجه تطوير أنظمة BCI للأطفال مجموعة من التحديات الفريدة. تعتمد BCIs على أنماط نشاط الدماغ التي يمكن التحكم فيها والمثيرة للتحليل. بسبب الندرة الحالية لأبحاث BCI للأطفال ، ومع ذلك ، فإن النشاط المحفز في أدمغة الأطفال النامية لم يتم توصيفه جيدًا لـ BCI.تتضمن العديد من نماذج BCI الحالية مهامًا جافة ومتكررة لا تأخذ في الاعتبار فترات الاهتمام الأقصر للأطفال ، مما يدفع إلى الحاجة إلى مزيد من نماذج المشاركة في BCI. من المحتمل أيضًا أن يكون الأطفال أكثر حساسية للإرهاق وعدم الراحة من ارتداء أجهزة BCI لفترات طويلة. يمكن أن تساهم التحسينات في أجهزة BCI وطرق معالجة الإشارات وخوارزميات التصنيف في تقليل الكمية الإجمالية للبيانات التي يجب جمعها ، وبالتالي تقليل احتمالية التعب وعدم الراحة (Kinney-Lang et al. ، 2016). من المؤكد أن الظروف الأساسية تختلف في الأطفال (الشلل الدماغي بدلاً من التصلب الجانبي الضموري) حيث يجب مراعاة إصابات الدماغ الفريدة وعلم وظائف الأعضاء العصبية وآثار التطور المستمر. ولعل الأهم من ذلك ، أن احتياجات وأهداف المستخدمين الفرديين ستكون مختلفة في الأطفال والشباب ، ويعد التطوير الذي يحركه المريض لتقنيات وتطبيقات BCI أمرًا ضروريًا. هذه التحديات ، في حين أن القيود السائدة والواضحة لأنظمة BCI الحديثة لا ينبغي أن ينظر إليها على أنها لا يمكن التغلب عليها. بدلاً من ذلك ، يجب أن تكون بمثابة مجالات تركيز لأولئك الذين لديهم دوافع لتطوير تطبيقات BCI للأطفال ، مع إدراك أن التغلب على هذه الحواجز الحالية سيتطلب تعاونًا مكثفًا بين أصحاب المصلحة في BCI عبر الطيف.

    واجهات هجينة بين الدماغ والحاسوب

    إذا تم قبول BCIs سريريًا ، فمن الأهمية بمكان أن يتمكن النظام من التنبؤ بدقة بنوايا المستخدم (Wolpaw، 2007 Daly and Wolpaw، 2008 Wolpaw and Wolpaw، 2012). نظرًا لقيود الأجهزة والبرامج الحالية ، تقل دقة تصنيف التنبؤات عن 100٪. حتى بالنسبة للأفراد الذين يتطورون عادةً ، تتراوح الدقة من 50 إلى 98 (Lee and Choi ، 2018 Wang et al. ، 2018) وتنخفض أيضًا للأفراد ذوي الإعاقة (Daly et al.، 2014 Lazarou et al.، 2018). الدراسات التي أجريت على الأطفال قليلة مع نتائج متغيرة ، وبعضها أبلغ عن أداء أقل (Mikoajewska and Mikoajewski ، 2014 Kinney-Lang et al. ، 2016) بينما يقترح البعض الآخر نتائج مماثلة للبالغين (Zhang et al. ، 2019). قد تكون Hybrid-BCIs أحد الأساليب للمساعدة في تحسين دقة BCI.

    تجمع مؤشرات BCI الهجينة بين أنواع مختلفة من إشارات الدماغ مع مقاييس فسيولوجية أخرى أو طريقة وصول أخرى لتحسين دقة التصنيف عن طريق زيادة الثقة في التنبؤات التي يقوم بها النظام (Wolpaw and Wolpaw، 2012 Choi et al.، 2017). بدأ الباحثون في مستشفى Holland Bloorview لإعادة تأهيل الأطفال بالفعل البحث في هذا المجال. على سبيل المثال ، تحسنت دقة التصنيف في مهمة مخفية للكلام باستخدام التحليل الطيفي للأشعة تحت الحمراء القريب من الوظائف الهجينة (fNIRS) و EEG-BCI بدلاً من استخدام أي منهما بمفرده (Rezazadeh Sereshkeh et al. ، 2019). وبالمثل ، تحسنت دقة التصنيف في مهمة الطلاقة اللفظية باستخدام fNIRS الهجين والتصوير بالموجات فوق الصوتية دوبلر عبر الجمجمة (TCD) BCI بدلاً من أي منهما بمفرده (فارس وتشاو ، 2013). أيضًا ، نظر الباحثون إلى إمكانات الاستعداد كإشارة لتحديد متى تكون الحركات طوعية وليست غير مقصودة ، مثل تلك التي تظهر في الأشخاص المصابين بالشلل الدماغي. يمكن استخدام هذه التقنيات لتحديد ما إذا كان اختيار المفتاح عرضيًا أم مقصودًا (زيد وآخرون ، 2017). هناك مجال آخر يجب استكشافه وهو مراقبة الدماغ & # x02019s المحتملة ذات الصلة بالخطأ ، والتي تحدث عندما يلاحظ المستخدم عن قصد حدوث اختيار خاطئ ، مما يسمح لنظام BCI بالتنظيم الذاتي عندما يكون التنبؤ غير صحيح (Schalk et al. ، 2000). يبدو أن تقنيات مثل هذه قابلة للتطبيق في الشباب ويمكن توسيعها وتجربتها عبر شبكة BCI للأطفال.

    بالإضافة إلى تحسين دقة التصنيف ، يمكن لمؤشرات BCI الهجينة توسيع قدرة التحكم في أنظمة BCI. يمكن استخدام BCIs الهجينة لبدء التحكم غير المتزامن ، باستخدام أحد الأنظمة المستخدمة لتنشيط الآخر. تم تسليط الضوء على هذا في Pfurtscheller وآخرون. (2010) & # x0201Cbrain switch & # x0201D device ، حيث تم استخدام صور المحرك لتشغيل مصابيح LED الوامضة لجهاز تقويم اليد SSVEP & # x02014. وبالمثل ، يمكن استخدام BCIs الهجينة لفصل تحديد الهدف واختيار الهدف ، مع استخدام نظام واحد لتوجيه المستخدم نحو الهدف المطلوب والآخر لتحديد الهدف ، كما هو الحال في نظرة العين المدمجة و EEG BCIs (Kim et al. ، 2015). يمكن أيضًا استخدام BCIs الهجينة لزيادة أبعاد اختيار الهدف ، والجمع بين الصور الحركية والإمكانيات المرئية المحفزة لتحقيق التحكم في المؤشر ثنائي الأبعاد (Ma et al. ، 2017). سواء كان تحسين دقة التصنيف أو زيادة الوظائف ، تسهل BCI الهجينة الاستفادة من نقاط القوة في طرائق BCI المختلفة مع تخفيف قيودها. قد يكون هذا النهج مثمرًا في تصميم أنظمة BCI التي تلبي الاحتياجات الفريدة لمستخدمي طب الأطفال.

    التنصت على اللعب: الألعاب واللعب في BCI

    يعد اللعب جزءًا مهمًا من التعلم والتطوير لجميع الأطفال. يستفيد الأطفال ذوو النمط العصبي والمتشعبون أكثر من المشاركة في المهام التي تبقيهم مهتمين ومشاركين وتوفر فرص تعلم مضمنة. ومع ذلك ، يميل برنامج BCI الحالي إلى التركيز على التطبيقات البسيطة التي تعتمد على الأداة المساعدة ، مثل شبكات التدقيق الإملائي أو تحريك مؤشر الماوس. في حين أن هذه التطبيقات مفيدة ، إلا أنها محدودة في نداء للاستخدام المستدام ، خاصة لمستخدمي BCI الشباب. تشير الدلائل إلى أن زيادة المشاركة في BCI من خلال التعلم المحفز قد يؤدي إلى اعتماد التكنولوجيا لفترة أطول مع المساعدة في تعزيز ممارسة مخططات التحكم في BCI (Powers et al.، 2015 De Oliveira et al.، 2016 Kinney-Lang et al.، 2016 Mullins ، 2017). يكشف الاتجاه المتزايد عبر مساعي أبحاث BCI أن الأنشطة الأكثر جاذبية وسهلة الاستخدام قد تكون قادرة على تعزيز مجموعة متنوعة من الفوائد الملموسة في استخدام BCI & # x02014 كلاهما في تعلم المهام على المدى القصير ودقة BCI طويلة المدى (Perdikis et al. ، 2018 Edelman et al.، 2019 Faller et al.، 2019). وبالتالي ، هناك حاجة واضحة لتعزيز تطوير برنامج BCI أكثر جاذبية ويمكن الوصول إليه والذي يشتمل على العناصر الأساسية للعب في BCI للأطفال.

    توفر أنظمة BCI فرصًا فريدة وجذابة لأساليب جديدة لكل من المسرحيات الافتراضية (مثل ألعاب الفيديو والوسائط الرقمية) واللعب المادي (على سبيل المثال ، التلاعب في روبوتات الألعاب والسيارات وما إلى ذلك). من خلال الاستفادة من الطبيعة غير العضلية لـ BCI ، قد تكون هذه الأنظمة قادرة على تزويد السكان المستبعدين سابقًا بفرصة الاستكشاف والتعلم من خلال اللعب. أظهرت الأبحاث السابقة وسائل مثل السبل المهمة التي تشجع على التعلم المستمر وإعادة التأهيل للأطفال ذوي الإعاقة (Harris and Reid، 2005 Howcroft et al.، 2012 Hernandez et al.، 2013 van den Heuvel et al.، 2016). تمثل التطورات في أبحاث BCI التي تعزز التفاعل بين أنظمة BCI واللعب إمكانات واعدة غير مستغلة للمستخدمين النهائيين BCI للأطفال.

    القيود التكنولوجية والعملية الحالية لمؤشرات BCI الحديثة

    على الرغم من إمكاناتها الكبيرة ، فإن أنظمة وتطبيقات BCI الحديثة تعاني من العديد من القيود ، والتي تتضاعف فقط عند تنفيذ البرامج مع الأطفال (Mikoajewska and Mikoajewski ، 2014 Kinney-Lang et al. ، 2016 Letourneau et al. ، 2020). توجد مثل هذه الحواجز عبر تجربة BCI: من القيود التكنولوجية ، من خلال مشكلات التصميم التي تؤثر على تجربة المستخدم ، إلى تحديات التنفيذ على المدى الطويل (Mill & # x000E1n et al. ، 2010 Powers et al. ، 2015 Lazarou et al. ، 2018 Lotte et al. . ، 2018). قد يساعد تسليط الضوء على بعض هذه القيود الموجودة في إلقاء الضوء على المسارات المحتملة للتحقيق. على المستوى التكنولوجي ، حاليًا ، يمكن تقييد أنظمة BCI المتاحة من خلال المفاضلة بين الدقة والسرعة ودرجات الحرية في الاختيار. علاوة على ذلك ، تم تصميم هذه الأنظمة دون اعتبار للأطفال كمستخدمين نهائيين محتملين ، مما يؤدي إلى معالجة الإشارات المكونة مسبقًا وخطط التحليل التي قد تهمل الاختلافات الفيزيولوجية العصبية بين البالغين والأطفال (Cowan et al.، 2006 Vuckovic et al.، 2014 Kinney-Lang et al.، 2018a، b) ، على مستوى تجربة المستخدم ، قد تكون BCI محدودة في راحة سماعات الرأس ، بطيئة & # x0201Cset up & # x0201D مرات ، بالإضافة إلى صعوبات في الحفاظ على الانتباه والتحكم لفترات طويلة بسبب التعب. أخيرًا ، على مستوى التنفيذ ، قد تكون التطبيقات ذات الصلة ذات الصلة محدودة للمستخدمين النهائيين ، وخاصة الأطفال ، حيث تم استكشاف عدد قليل من تطبيقات المشاركة طويلة الأجل مع أنظمة BCI مما يؤدي إلى انخفاض محتمل في الدافع وزيادة الإحباط مع مرور الوقت استثمرت في تعلم نظام التحكم BCI.


    4. مناقشة

    استعرضت الورقة تسعة تطبيقات في الوقت الفعلي لنماذج الروبوتات و VR BCI التي طورتها مجموعة أبحاث BCI-lab. تم شرح وكيل الواقع الافتراضي في الوقت الحقيقي وسيناريوهات التحكم في الجهاز الآلي. تم تقديم طريقة MDM الجديدة المستندة إلى هندسة المعلومات ، مما عزز دقة VR و BCI الروبوتية في تطبيقات معالجة EEG غير المتصلة بالإنترنت.

    استخدمت نماذج VR و BCI الروبوتية التي تم الإبلاغ عنها سابقًا مصنف SWLDA الذي تطلب عددًا أكبر من متوسط ​​تخطيط موارد المؤسسات (10 & # x0201315) ، مما أدى إلى سرعات اتصال أبطأ. تتطلب فئة MDM التي تم تقديمها في هذه الورقة ، ومقارنتها مع طريقة SWLDA السابقة ، سيناريوهات متوسط ​​ERP أصغر (1 & # x020135) والتي سمحت بتحقيق درجات مثالية لغالبية الاختبارات التي تم اختبارها ، وتمت مراجعتها في هذه الورقة ، VR و BCIs الروبوتية.

    النتائج التي تم الحصول عليها باستخدام مصنف MDM المقترح كان أفضل بكثير (ص & # x0003C 0.001) ، كما تم اختباره باستخدام اختبارات Wilcoxon ذات الرتبة الزوجية ، مقارنة بطريقة SWLDA الكلاسيكية. كانت نتائج تعزيز التصنيف المستند إلى MDM مستقلة أيضًا عن طرائق تحفيز كرة القدم الغريبة المقدمة (السمعية أو اللمسية أو العظام & # x02013 سمعي التوصيل أو مختلطة) والتطبيقات (VR أو الروبوتية) ، والتي أثبتت صحة النهج المقترح لما هو متوقع من قبل حلول الزيادة البشرية في مجتمعنا.


    مقدمة

    كانت المعلومات هي مفتاح التنظيم الأفضل والتطورات الجديدة. كلما توفرت لدينا معلومات أكثر ، يمكننا تنظيم أنفسنا على النحو الأمثل لتحقيق أفضل النتائج. هذا هو السبب في أن جمع البيانات جزء مهم لكل منظمة. يمكننا أيضًا استخدام هذه البيانات للتنبؤ بالاتجاهات الحالية لمعلمات معينة وأحداث مستقبلية. نظرًا لأننا أصبحنا على دراية بهذا الأمر أكثر فأكثر ، فقد بدأنا في إنتاج وجمع المزيد من البيانات حول كل شيء تقريبًا من خلال إدخال التطورات التكنولوجية في هذا الاتجاه. اليوم ، نواجه موقفًا حيث تغمرنا أطنان من البيانات من كل جانب من جوانب حياتنا مثل الأنشطة الاجتماعية ، والعلوم ، والعمل ، والصحة ، وما إلى ذلك. بطريقة ما ، يمكننا مقارنة الوضع الحالي بطوفان البيانات. ساعدتنا التطورات التكنولوجية في توليد المزيد والمزيد من البيانات ، حتى إلى المستوى الذي أصبحت فيه غير قابلة للإدارة باستخدام التقنيات المتاحة حاليًا. وقد أدى ذلك إلى إنشاء مصطلح "البيانات الضخمة" لوصف البيانات الكبيرة التي لا يمكن التحكم فيها. من أجل تلبية احتياجاتنا الاجتماعية الحالية والمستقبلية ، نحتاج إلى تطوير استراتيجيات جديدة لتنظيم هذه البيانات واستخلاص معلومات مفيدة. أحد هذه الاحتياجات الاجتماعية الخاصة هو الرعاية الصحية. مثل أي صناعة أخرى ، تقوم مؤسسات الرعاية الصحية بإنتاج البيانات بمعدل هائل يقدم العديد من المزايا والتحديات في نفس الوقت. في هذه المراجعة ، نناقش أساسيات البيانات الضخمة بما في ذلك إدارتها وتحليلها وآفاقها المستقبلية خاصة في قطاع الرعاية الصحية.

    البيانات الزائدة

    كل يوم ، يقوم الأشخاص الذين يعملون مع مؤسسات مختلفة حول العالم بإنشاء كمية هائلة من البيانات. يعرّف مصطلح "الكون الرقمي" كميًا مثل هذه الكميات الهائلة من البيانات التي تم إنشاؤها وتكرارها واستهلاكها في عام واحد. قدرت مؤسسة البيانات الدولية (IDC) الحجم التقريبي للكون الرقمي في عام 2005 بـ 130 إكسابايت (EB). توسع العالم الرقمي في عام 2017 إلى حوالي 16000 إكسايت أو 16 زيتابايت (ZB). توقعت IDC أن الكون الرقمي سوف يتوسع إلى 40،000 EB بحلول عام 2020. لتخيل هذا الحجم ، سيتعين علينا تخصيص حوالي 5200 جيجا بايت من البيانات لجميع الأفراد. هذا يمثل السرعة الهائلة التي يتوسع بها الكون الرقمي. يقوم عمالقة الإنترنت ، مثل Google و Facebook ، بجمع وتخزين كميات هائلة من البيانات. على سبيل المثال ، بناءً على تفضيلاتنا ، قد تقوم Google بتخزين مجموعة متنوعة من المعلومات بما في ذلك موقع المستخدم وتفضيلات الإعلان وقائمة التطبيقات المستخدمة وسجل تصفح الإنترنت وجهات الاتصال والإشارات المرجعية ورسائل البريد الإلكتروني والمعلومات الضرورية الأخرى المرتبطة بالمستخدم. وبالمثل ، يقوم Facebook بتخزين وتحليل أكثر من 30 بيتابايت (PB) من البيانات التي ينشئها المستخدم. تشكل هذه الكميات الكبيرة من البيانات "البيانات الكبيرة". على مدى العقد الماضي ، استخدمت صناعة تكنولوجيا المعلومات البيانات الضخمة بنجاح لتوليد معلومات مهمة يمكن أن تولد إيرادات كبيرة.

    أصبحت هذه الملاحظات بارزة للغاية مما أدى في النهاية إلى ولادة مجال علمي جديد يسمى "علم البيانات". يتعامل علم البيانات مع جوانب مختلفة بما في ذلك إدارة البيانات وتحليلها ، لاستخراج رؤى أعمق لتحسين وظائف أو خدمات النظام (على سبيل المثال ، نظام الرعاية الصحية والنقل). بالإضافة إلى ذلك ، مع توفر بعض أكثر الطرق إبداعًا وذات مغزى لتصور التحليل اللاحق للبيانات الضخمة ، أصبح من السهل فهم أداء أي نظام معقد. نظرًا لأن قسمًا كبيرًا من المجتمع أصبح على دراية ببيانات ضخمة ومشاركتها في توليد البيانات الضخمة ، فقد أصبح من الضروري تحديد ماهية البيانات الضخمة. لذلك ، في هذه المراجعة ، نحاول تقديم تفاصيل حول تأثير البيانات الضخمة في تحول قطاع الرعاية الصحية العالمي وتأثيره على حياتنا اليومية.

    تعريف البيانات الضخمة

    كما يوحي الاسم ، تمثل "البيانات الضخمة" كميات كبيرة من البيانات التي لا يمكن إدارتها باستخدام البرامج التقليدية أو الأنظمة الأساسية القائمة على الإنترنت. إنه يتجاوز المقدار المستخدم تقليديًا للتخزين والمعالجة والقدرة التحليلية. على الرغم من وجود عدد من التعريفات للبيانات الضخمة ، فإن التعريف الأكثر شيوعًا والمقبول جيدًا قد قدمه دوجلاس لاني. لاحظ لاني أن البيانات (الكبيرة) كانت تنمو في ثلاثة أبعاد مختلفة وهي الحجم والسرعة والتنوع (المعروف باسم 3 Vs) [1]. يشير الجزء "الكبير" من البيانات الضخمة إلى حجمها الكبير. بالإضافة إلى الحجم ، يشتمل وصف البيانات الضخمة أيضًا على السرعة والتنوع. تشير السرعة إلى سرعة أو معدل جمع البيانات وإتاحتها لمزيد من التحليل مع ملاحظات متنوعة حول الأنواع المختلفة من البيانات المنظمة وغير المنظمة التي يمكن لأي شركة أو نظام جمعها ، مثل البيانات على مستوى المعاملة أو الفيديو أو الصوت أو النص أو ملفات الدخول. أصبحت هذه القيم الثلاثة هي التعريف القياسي للبيانات الضخمة. على الرغم من أن أشخاصًا آخرين قد أضافوا العديد من Vs الأخرى إلى هذا التعريف [2] ، فإن الجزء الرابع الأكثر قبولًا يظل "الصدق".

    المصطلح "البيانات الكبيرة"أصبح يتمتع بشعبية كبيرة في جميع أنحاء العالم في السنوات الأخيرة. يقوم كل قطاع من قطاعات البحث تقريبًا ، سواء كان يتعلق بالصناعة أو الأكاديميين ، بالإنتاج والتحليل البيانات الكبيرة لأغراض مختلفة. إن المهمة الأكثر تحديًا فيما يتعلق بهذا الكومة الضخمة من البيانات التي يمكن تنظيمها وغير منظمة ، هي إدارتها. نظرًا لحقيقة أن البيانات الضخمة لا يمكن إدارتها باستخدام البرامج التقليدية ، فنحن بحاجة إلى تطبيقات وبرامج متقدمة تقنيًا يمكنها الاستفادة من القوة الحاسوبية المتطورة السريعة والفعالة من حيث التكلفة لمثل هذه المهام. سيكون تنفيذ خوارزميات الذكاء الاصطناعي (AI) وخوارزميات الاندماج الجديدة أمرًا ضروريًا لفهم هذه الكمية الكبيرة من البيانات. في الواقع ، سيكون إنجازًا رائعًا لتحقيق صنع القرار الآلي من خلال تنفيذ أساليب التعلم الآلي (ML) مثل الشبكات العصبية وتقنيات الذكاء الاصطناعي الأخرى. ومع ذلك ، في حالة عدم وجود دعم مناسب للبرامج والأجهزة ، يمكن أن تكون البيانات الضخمة ضبابية تمامًا. نحن بحاجة إلى تطوير تقنيات أفضل للتعامل مع هذا "البحر اللامتناهي" من البيانات وتطبيقات الويب الذكية لإجراء تحليل فعال لاكتساب رؤى عملية. مع التخزين المناسب والأدوات التحليلية في متناول اليد ، يمكن للمعلومات والأفكار المستمدة من البيانات الضخمة أن تجعل مكونات وخدمات البنية التحتية الاجتماعية الحيوية (مثل الرعاية الصحية أو السلامة أو النقل) أكثر وعياً وتفاعلية وفعالية [3]. بالإضافة إلى ذلك ، سيكون تصور البيانات الضخمة بطريقة سهلة الاستخدام عاملاً حاسمًا في التنمية المجتمعية.

    الرعاية الصحية كمستودع للبيانات الضخمة

    الرعاية الصحية هي نظام متعدد الأبعاد تم إنشاؤه بهدف وحيد للوقاية والتشخيص والعلاج من المشكلات المتعلقة بالصحة أو الإعاقات لدى البشر. المكونات الرئيسية لنظام الرعاية الصحية هي المهنيين الصحيين (الأطباء أو الممرضات) ، والمرافق الصحية (العيادات ، والمستشفيات لتقديم الأدوية وغيرها من تقنيات التشخيص أو العلاج) ، ومؤسسة التمويل التي تدعم الاثنين السابقين. ينتمي المهنيون الصحيون إلى قطاعات صحية مختلفة مثل طب الأسنان ، والطب ، والقبالة ، والتمريض ، وعلم النفس ، والعلاج الطبيعي ، وغيرها الكثير. الرعاية الصحية مطلوبة على عدة مستويات حسب مدى إلحاح الموقف. يخدمها المحترفون كنقطة أولى للاستشارة (للرعاية الأولية) ، والرعاية الحادة التي تتطلب مهنيين مهرة (رعاية ثانوية) ، وفحص طبي متقدم وعلاج (رعاية من الدرجة الثالثة) وإجراءات تشخيصية أو جراحية غير شائعة (الرعاية الرباعية). في جميع هذه المستويات ، يكون المهنيون الصحيون مسؤولين عن أنواع مختلفة من المعلومات مثل التاريخ الطبي للمريض (التشخيص والبيانات ذات الصلة بالوصفات الطبية) ، والبيانات الطبية والسريرية (مثل بيانات التصوير والفحوصات المخبرية) ، وغيرها من البيانات الطبية الخاصة أو الشخصية. في السابق ، كانت الممارسة الشائعة لتخزين مثل هذه السجلات الطبية للمريض في شكل ملاحظات مكتوبة بخط اليد أو تقارير مطبوعة [4]. حتى نتائج الفحص الطبي تم تخزينها في ملف ورقي. في الواقع ، هذه الممارسة قديمة حقًا ، حيث توجد تقارير الحالة الأقدم على نص بردية من مصر يعود تاريخه إلى 1600 قبل الميلاد [5]. على حد تعبير ستانلي ريزر ، جمدت سجلات الحالة السريرية نوبة المرض كقصة يكون فيها المريض والأسرة والطبيب جزءًا من المؤامرة "[6].

    مع ظهور أنظمة الكمبيوتر وإمكانياتها ، أصبحت رقمنة جميع الفحوصات السريرية والسجلات الطبية في أنظمة الرعاية الصحية ممارسة معيارية ومتبعة على نطاق واسع في الوقت الحاضر. في عام 2003 ، اختار قسم من الأكاديميات الوطنية للعلوم والهندسة والطب يعرف باسم معهد الطب مصطلح "السجلات الصحية الإلكترونيةلتمثيل السجلات المحفوظة لتحسين قطاع الرعاية الصحية لصالح المرضى والأطباء. السجلات الصحية الإلكترونية (EHR) على النحو المحدد بواسطة Murphy و Hanken و Waters هي سجلات طبية محوسبة للمرضى أي معلومات تتعلق بالصحة الجسدية / العقلية الماضية أو الحالية أو المستقبلية أو حالة الفرد الذي يقيم في النظام (الأنظمة) الإلكترونية المستخدمة لالتقاط ونقل واستقبال وتخزين واسترداد وربط ومعالجة بيانات الوسائط المتعددة لغرض أساسي هو توفير الرعاية الصحية والخدمات المتعلقة بالصحة ”[7].

    السجلات الصحية الإلكترونية

    من المهم أن نلاحظ أن المعاهد الوطنية للصحة (NIH) أعلنت مؤخرًا عن مبادرة "كلنا" (https://allofus.nih.gov/) التي تهدف إلى جمع مليون أو أكثر من بيانات المرضى مثل السجلات الصحية الإلكترونية ، بما في ذلك التصوير الطبي والبيانات الاجتماعية والسلوكية والبيئية على مدى السنوات القليلة المقبلة. قدمت السجلات الصحية الإلكترونية العديد من المزايا للتعامل مع البيانات الحديثة المتعلقة بالرعاية الصحية. أدناه ، نصف بعض المزايا المميزة لاستخدام السجلات الصحية الإلكترونية. الميزة الأولى لسجلات الصحة الإلكترونية هي أن المتخصصين في الرعاية الصحية يتمتعون بإمكانية وصول محسنة إلى التاريخ الطبي الكامل للمريض. تتضمن المعلومات التشخيصات الطبية والوصفات الطبية والبيانات المتعلقة بالحساسية المعروفة والتركيبة السكانية والسرد السريري والنتائج التي تم الحصول عليها من الاختبارات المعملية المختلفة. وبالتالي ، فإن التعرف على الحالات الطبية وعلاجها هو أمر فعال من حيث الوقت بسبب تقليل وقت التأخر في نتائج الاختبارات السابقة. مع مرور الوقت ، لاحظنا انخفاضًا كبيرًا في الفحوصات الزائدة والإضافية ، وفقدان الطلبات والغموض الناجم عن الكتابة اليدوية غير المقروءة ، وتحسين تنسيق الرعاية بين العديد من مقدمي الرعاية الصحية. وقد أدى التغلب على مثل هذه الأخطاء اللوجيستية إلى تقليل عدد حالات الحساسية للأدوية عن طريق تقليل الأخطاء في جرعات الأدوية وتكرارها. وجد المتخصصون في الرعاية الصحية أيضًا إمكانية الوصول عبر المنصات الإلكترونية والإلكترونية لتحسين ممارساتهم الطبية بشكل كبير باستخدام التذكيرات والمطالبات التلقائية المتعلقة بالتطعيمات والنتائج المختبرية غير الطبيعية وفحص السرطان والفحوصات الدورية الأخرى. سيكون هناك استمرارية أكبر للرعاية والتدخلات في الوقت المناسب من خلال تسهيل التواصل بين العديد من مقدمي الرعاية الصحية والمرضى. يمكن أن ترتبط بالتخويل الإلكتروني والموافقات التأمينية الفورية بسبب قلة الأعمال الورقية. تتيح السجلات الصحية الإلكترونية استرجاع البيانات بشكل أسرع وتسهل الإبلاغ عن مؤشرات جودة الرعاية الصحية الرئيسية للمنظمات ، وكذلك تحسين مراقبة الصحة العامة من خلال الإبلاغ الفوري عن تفشي الأمراض. توفر السجلات الصحية الإلكترونية أيضًا البيانات ذات الصلة فيما يتعلق بجودة الرعاية للمستفيدين من برامج التأمين الصحي للموظفين ويمكن أن تساعد في التحكم في التكاليف المتزايدة لمزايا التأمين الصحي. أخيرًا ، يمكن أن تقلل السجلات الصحية الإلكترونية أو تقضي تمامًا على حالات التأخير والارتباك في مجال إدارة الفواتير والمطالبات. تساعد السجلات الصحية الإلكترونية والإنترنت معًا في توفير الوصول إلى ملايين المعلومات الطبية المتعلقة بالصحة والضرورية لحياة المريض.

    رقمنة الرعاية الصحية والبيانات الضخمة

    على غرار السجلات الصحية الإلكترونية ، يخزن السجل الطبي الإلكتروني (EMR) البيانات الطبية والسريرية القياسية التي تم جمعها من المرضى. تتمتع السجلات الصحية الإلكترونية والسجلات الطبية الإلكترونية والسجلات الصحية الشخصية (PHR) وبرامج إدارة الممارسات الطبية (MPM) والعديد من مكونات بيانات الرعاية الصحية الأخرى مجتمعة بالقدرة على تحسين الجودة وكفاءة الخدمة وتكاليف الرعاية الصحية جنبًا إلى جنب مع الحد من الأخطاء الطبية. تتضمن البيانات الضخمة في مجال الرعاية الصحية بيانات دافع الرعاية الصحية (مثل سجلات السجلات الطبية الإلكترونية ، وصفة الصيدلة ، وسجلات التأمين) جنبًا إلى جنب مع التجارب التي تعتمد على الجينوميات (مثل التنميط الجيني ، وبيانات التعبير الجيني) وغيرها من البيانات التي تم الحصول عليها من شبكة الإنترنت الذكية. الأشياء (إنترنت الأشياء) (الشكل 1). كان اعتماد السجلات الصحية الإلكترونية بطيئًا في بداية القرن الحادي والعشرين ، إلا أنه نما بشكل كبير بعد عام 2009 [7 ، 8]. تعتمد إدارة واستخدام بيانات الرعاية الصحية هذه بشكل متزايد على تكنولوجيا المعلومات. اكتسب تطوير واستخدام أجهزة مراقبة العافية والبرامج ذات الصلة التي يمكنها إنشاء تنبيهات ومشاركة البيانات المتعلقة بالصحة للمريض مع مقدمي الرعاية الصحية المعنيين زخمًا ، لا سيما في إنشاء نظام مراقبة طبية وصحية في الوقت الفعلي. تنتج هذه الأجهزة قدرًا هائلاً من البيانات التي يمكن تحليلها لتوفير رعاية طبية أو سريرية في الوقت الفعلي [9]. يُظهر استخدام البيانات الضخمة من الرعاية الصحية نتائج واعدة لتحسين النتائج الصحية والتحكم في التكاليف.

    سير عمل تحليلات البيانات الضخمة. تخزن مستودعات البيانات كميات هائلة من البيانات الناتجة من مصادر مختلفة. تتم معالجة هذه البيانات باستخدام خطوط الأنابيب التحليلية للحصول على خيارات رعاية صحية أكثر ذكاءً وبأسعار معقولة

    البيانات الضخمة في البحوث الطبية الحيوية

    يعرض النظام البيولوجي ، مثل الخلية البشرية ، الأحداث الجزيئية والفيزيائية للتفاعل المعقد. من أجل فهم الترابطات بين المكونات والأحداث المختلفة لمثل هذا النظام المعقد ، عادةً ما تجمع التجربة الطبية الحيوية أو البيولوجية البيانات حول مكون أصغر و / أو أبسط. وبالتالي ، فإنه يتطلب تجارب مبسطة متعددة لإنشاء خريطة واسعة لظاهرة بيولوجية معينة ذات أهمية. يشير هذا إلى أنه كلما زادت البيانات التي لدينا ، كلما فهمنا العمليات البيولوجية بشكل أفضل. مع هذه الفكرة ، تطورت التقنيات الحديثة بوتيرة كبيرة. على سبيل المثال ، يمكن للمرء أن يتخيل كمية البيانات التي تم إنشاؤها منذ دمج التقنيات الفعالة مثل تسلسل الجيل التالي (NGS) ودراسات الارتباط الواسع للجينوم (GWAS) لفك تشفير الجينات البشرية. توفر البيانات المستندة إلى NGS معلومات على أعماق لم يكن من الممكن الوصول إليها سابقًا وتأخذ السيناريو التجريبي إلى بُعد جديد تمامًا. لقد زاد القرار الذي نلاحظ فيه أو نسجل الأحداث البيولوجية المرتبطة بأمراض معينة في الوقت الحقيقي. إن فكرة أن كميات كبيرة من البيانات يمكن أن تزودنا بكمية جيدة من المعلومات التي غالبًا ما تظل مجهولة الهوية أو مخفية في الأساليب التجريبية الأصغر قد أدت إلى ظهور "-omics' حقبة. ال 'omics"لقد شهد الانضباط تقدمًا كبيرًا بدلاً من دراسة واحدة"الجين"يمكن للعلماء الآن دراسة الكل"الجينوم"كائن حي في"علم الجينوم"دراسات في غضون فترة زمنية معينة. وبالمثل ، بدلاً من دراسة التعبير أو "النسخ"من جين واحد ، يمكننا الآن دراسة التعبير عن كل الجينات أو"نسخة"من كائن حي تحت"ترانسكريبتوميكس' دراسات. كل من هذه التجارب الفردية تولد كمية كبيرة من البيانات مع معلومات أكثر عمقًا من أي وقت مضى. ومع ذلك ، قد لا يكون هذا العمق والقرار كافيين لتوفير جميع التفاصيل المطلوبة لشرح آلية أو حدث معين. لذلك ، عادة ما يجد المرء نفسه يحلل كمية كبيرة من البيانات التي تم الحصول عليها من تجارب متعددة لاكتساب رؤى جديدة. يدعم هذه الحقيقة الارتفاع المستمر في عدد المنشورات المتعلقة بالبيانات الضخمة في مجال الرعاية الصحية (الشكل 2). يمكن أن يساعد تحليل مثل هذه البيانات الضخمة من الأنظمة الطبية وأنظمة الرعاية الصحية بشكل كبير في توفير استراتيجيات جديدة للرعاية الصحية. أدت أحدث التطورات التكنولوجية في توليد البيانات وجمعها وتحليلها إلى زيادة التوقعات نحو ثورة في مجال الطب الشخصي في المستقبل القريب.

    المنشورات المرتبطة بالبيانات الضخمة في مجال الرعاية الصحية. يتم رسم عدد المنشورات في PubMed حسب السنة

    البيانات الضخمة من دراسات omics

    قامت NGS بتبسيط التسلسل إلى حد كبير وخفض تكاليف إنشاء بيانات تسلسل الجينوم الكامل. انخفضت تكلفة التسلسل الجينومي الكامل من الملايين إلى بضعة آلاف من الدولارات [10]. أدت تقنية NGS إلى زيادة حجم البيانات الطبية الحيوية التي تأتي من الدراسات الجينومية والنسخية. وفقًا لأحد التقديرات ، يمكن أن يتراوح عدد الجينوم البشري المتسلسل بحلول عام 2025 بين 100 مليون إلى 2 مليار [11]. يمكن أن يؤدي الجمع بين البيانات الجينومية والنسخة مع البيانات البروتينية والأيضية إلى تعزيز معرفتنا بشكل كبير بالملف الشخصي الفردي للمريض - وهو نهج يُنسب غالبًا إلى "رعاية صحية فردية أو شخصية أو دقيقة". يمكن أن يساعد التحليل المنهجي والتكاملي لبيانات omics بالاقتران مع تحليلات الرعاية الصحية في تصميم استراتيجيات علاج أفضل نحو الطب الدقيق والشخصي (الشكل 3). تعد التجارب التي تعتمد على الجينوميات ، مثل التنميط الجيني والتعبير الجيني والدراسات المستندة إلى NGS ، المصدر الرئيسي للبيانات الضخمة في الرعاية الصحية الطبية الحيوية جنبًا إلى جنب مع سجلات السجلات الطبية الإلكترونية ومعلومات الوصفات الطبية وسجلات التأمين. تتطلب الرعاية الصحية تكاملًا قويًا لمثل هذه البيانات الطبية الحيوية من مصادر مختلفة لتوفير علاجات ورعاية أفضل للمرضى. هذه الاحتمالات مثيرة للغاية لدرجة أنه على الرغم من أن البيانات الجينومية من المرضى سيكون لها العديد من المتغيرات التي يجب حسابها ، إلا أن المنظمات التجارية تستخدم بالفعل بيانات الجينوم البشري لمساعدة مقدمي الخدمات في اتخاذ قرارات طبية شخصية. قد يتحول هذا إلى تغيير قواعد اللعبة في الطب والصحة في المستقبل.

    إطار عمل لدمج بيانات omics وتحليلات الرعاية الصحية لتعزيز العلاج المخصص

    إنترنت الأشياء (IOT)

    لم تكن صناعة الرعاية الصحية سريعة بما يكفي للتكيف مع حركة البيانات الضخمة مقارنة بالصناعات الأخرى. لذلك ، لا يزال استخدام البيانات الضخمة في قطاع الرعاية الصحية في مهده. على سبيل المثال ، لم تتقارب البيانات الضخمة الخاصة بالرعاية الصحية والطبية الحيوية حتى الآن لتعزيز بيانات الرعاية الصحية بعلم الأمراض الجزيئي. يمكن أن يساعد هذا التقارب في كشف آليات العمل المختلفة أو الجوانب الأخرى للبيولوجيا التنبؤية. لذلك ، لتقييم الحالة الصحية للفرد ، يجب أن تتزوج مجموعات البيانات الجزيئية الحيوية والسريرية. أحد مصادر البيانات السريرية في الرعاية الصحية هو "إنترنت الأشياء" (IoT).

    في الواقع ، إن إنترنت الأشياء هو لاعب كبير آخر يتم تنفيذه في عدد من الصناعات الأخرى بما في ذلك الرعاية الصحية. حتى وقت قريب ، لم تكن الأشياء ذات الاستخدام الشائع مثل السيارات والساعات والثلاجات وأجهزة مراقبة الصحة تنتج البيانات أو تتعامل معها وتفتقر إلى الاتصال بالإنترنت. ومع ذلك ، فإن تزويد مثل هذه الأشياء بشرائح الكمبيوتر وأجهزة الاستشعار التي تمكن من جمع البيانات ونقلها عبر الإنترنت قد فتح آفاقًا جديدة. يتم استخدام تقنيات الأجهزة مثل علامات التعرف على الترددات الراديوية (RFID) والقارئات وأجهزة الاتصال قريب المدى (NFC) ، التي لا يمكنها جمع المعلومات فحسب ، بل تتفاعل جسديًا ، بشكل متزايد كنظم للمعلومات والاتصالات [3]. يمكّن هذا الكائنات التي تحتوي على RFID أو NFC من التواصل والعمل كشبكة من الأشياء الذكية. قد يكشف تحليل البيانات التي تم جمعها من هذه الرقائق أو المستشعرات عن معلومات مهمة قد تكون مفيدة في تحسين نمط الحياة ، ووضع تدابير للحفاظ على الطاقة ، وتحسين النقل ، والرعاية الصحية. في الواقع ، أصبحت إنترنت الأشياء حركة صاعدة في مجال الرعاية الصحية. تنشئ أجهزة إنترنت الأشياء دفقًا مستمرًا من البيانات أثناء مراقبة صحة الأشخاص (أو المرضى) مما يجعل هذه الأجهزة مساهماً رئيسياً في البيانات الضخمة في مجال الرعاية الصحية. يمكن لمثل هذه الموارد ربط العديد من الأجهزة لتوفير خدمة رعاية صحية موثوقة وفعالة وذكية لكبار السن والمرضى الذين يعانون من مرض مزمن [12].

    مزايا إنترنت الأشياء في الرعاية الصحية

    باستخدام شبكة أجهزة إنترنت الأشياء ، يمكن للطبيب قياس ومراقبة المعايير المختلفة من عملائه في مواقعهم الخاصة على سبيل المثال ، المنزل أو المكتب. لذلك ، من خلال التدخل المبكر والعلاج ، قد لا يحتاج المريض إلى دخول المستشفى أو حتى زيارة الطبيب مما يؤدي إلى انخفاض كبير في تكاليف الرعاية الصحية. تتضمن بعض الأمثلة على أجهزة إنترنت الأشياء المستخدمة في الرعاية الصحية الأجهزة القابلة للارتداء الخاصة باللياقة البدنية أو تتبع الصحة ، وأجهزة الاستشعار الحيوية ، والأجهزة السريرية لمراقبة العلامات الحيوية ، وأنواع أخرى من الأجهزة أو الأدوات السريرية. تنتج أجهزة إنترنت الأشياء هذه قدرًا كبيرًا من البيانات المتعلقة بالصحة. إذا تمكنا من دمج هذه البيانات مع بيانات الرعاية الصحية الأخرى الموجودة مثل سجلات السجلات الطبية الإلكترونية أو سجلات الصحة العامة ، فيمكننا التنبؤ بالحالة الصحية للمرضى وتطورها من الحالة دون السريرية إلى الحالة المرضية [9]. في الواقع ، كانت البيانات الضخمة الناتجة عن إنترنت الأشياء مفيدة في العديد من المجالات في تقديم تحقيقات وتوقعات أفضل. على نطاق أوسع ، يمكن أن تساعد البيانات من هذه الأجهزة في مراقبة صحة الأفراد ، ونمذجة انتشار المرض وإيجاد طرق لاحتواء تفشي مرض معين.

    يتطلب تحليل البيانات من إنترنت الأشياء تحديث برنامج التشغيل بسبب طبيعته الخاصة إلى جانب تطبيقات الأجهزة والبرامج المتقدمة. سنحتاج إلى إدارة تدفق البيانات من أدوات إنترنت الأشياء في الوقت الفعلي وتحليلها بالدقيقة. يحاول المنتسبون في نظام الرعاية الصحية خفض التكلفة وتحسين جودة الرعاية من خلال تطبيق التحليلات المتقدمة على البيانات التي يتم إنشاؤها داخليًا وخارجيًا.

    الحوسبة المتنقلة والصحة المتنقلة (الصحة المتنقلة)

    في عالم اليوم الرقمي ، يبدو أن كل فرد مهووس بتتبع إحصاءات اللياقة البدنية والصحة باستخدام عداد الخطى المدمج في أجهزته المحمولة والقابلة للارتداء مثل الهواتف الذكية أو الساعات الذكية أو لوحات معلومات اللياقة البدنية أو الأجهزة اللوحية. مع وجود مجتمع متنقل بشكل متزايد في جميع جوانب الحياة تقريبًا ، تحتاج البنية التحتية للرعاية الصحية إلى إعادة تصميم لتلائم الأجهزة المحمولة [13]. تتخلل ممارسة الطب والصحة العامة باستخدام الأجهزة المحمولة ، والمعروفة باسم mHealth أو mobile health ، درجات مختلفة من الرعاية الصحية خاصة للأمراض المزمنة ، مثل مرض السكري والسرطان [14]. تستخدم مؤسسات الرعاية الصحية بشكل متزايد خدمات الصحة والعافية المتنقلة لتنفيذ طرق جديدة ومبتكرة لتوفير الرعاية وتنسيق الصحة والعافية. يمكن للمنصات المتنقلة تحسين الرعاية الصحية من خلال تسريع الاتصال التفاعلي بين المرضى ومقدمي الرعاية الصحية. في الواقع ، طورت Apple و Google منصات مخصصة مثل ResearchKit من Apple و Google Fit لتطوير تطبيقات بحثية لإحصاءات اللياقة البدنية والصحة [15]. تدعم هذه التطبيقات التفاعل السلس مع العديد من الأجهزة الاستهلاكية وأجهزة الاستشعار المدمجة لتكامل البيانات. تساعد هذه التطبيقات الأطباء في الوصول المباشر إلى بياناتك الصحية العامة. يتعرف كل من المستخدم وأطبائه على حالة الجسم في الوقت الفعلي. تساعد هذه التطبيقات والأجهزة الذكية أيضًا من خلال تحسين التخطيط للعافية وتشجيع أنماط الحياة الصحية. يمكن للمستخدمين أو المرضى أن يصبحوا دعاة لصحتهم.

    طبيعة البيانات الضخمة في الرعاية الصحية

    يمكن للسجلات الصحية الإلكترونية تمكين التحليلات المتقدمة والمساعدة في اتخاذ القرارات السريرية من خلال توفير بيانات هائلة. ومع ذلك ، فإن نسبة كبيرة من هذه البيانات حاليًا غير منظمة بطبيعتها. البيانات غير المهيكلة هي المعلومات التي لا تلتزم بنموذج محدد مسبقًا أو إطار عمل تنظيمي. قد يكون سبب هذا الاختيار ببساطة أنه يمكننا تسجيله بعدد لا يحصى من التنسيقات. سبب آخر لاختيار التنسيق غير المهيكل هو أن خيارات الإدخال المهيكلة (القوائم المنسدلة وأزرار الاختيار ومربعات الاختيار) يمكن أن تقصر في كثير من الأحيان في التقاط البيانات ذات الطبيعة المعقدة. على سبيل المثال ، لا يمكننا تسجيل البيانات غير القياسية المتعلقة بالشكوك السريرية للمريض والبيانات الاجتماعية والاقتصادية وتفضيلات المريض وعوامل نمط الحياة الرئيسية والمعلومات الأخرى ذات الصلة بأي طريقة أخرى ولكن بتنسيق غير منظم. من الصعب تجميع مصادر المعلومات المتنوعة والحرجة هذه في تنسيق بيانات بديهي أو موحد لمزيد من التحليل باستخدام الخوارزميات لفهم رعاية المرضى والاستفادة منها. ومع ذلك ، فإن صناعة الرعاية الصحية مطلوبة للاستفادة من الإمكانات الكاملة لهذه التدفقات الغنية من المعلومات لتعزيز تجربة المريض. في قطاع الرعاية الصحية ، يمكن أن تتحقق من حيث الإدارة الأفضل والرعاية والعلاجات منخفضة التكلفة. نحن على بعد أميال من تحقيق فوائد البيانات الضخمة بطريقة هادفة وتسخير الرؤى التي تأتي منها. من أجل تحقيق هذه الأهداف ، نحتاج إلى إدارة وتحليل البيانات الضخمة بطريقة منهجية.

    إدارة وتحليل البيانات الضخمة

    البيانات الضخمة هي الكميات الهائلة من مجموعة متنوعة من البيانات التي يتم إنشاؤها بمعدل سريع. البيانات التي تم جمعها من مصادر مختلفة مطلوبة في الغالب لتحسين خدمات المستهلك بدلاً من استهلاك المستهلك. هذا صحيح أيضًا بالنسبة للبيانات الضخمة من الأبحاث الطبية الحيوية والرعاية الصحية. يتمثل التحدي الرئيسي في البيانات الضخمة في كيفية التعامل مع هذا الحجم الكبير من المعلومات. لجعلها متاحة للمجتمع العلمي ، يجب تخزين البيانات في تنسيق ملف يسهل الوصول إليه وقراءته من أجل تحليل فعال. في سياق بيانات الرعاية الصحية ، هناك تحدٍ رئيسي آخر يتمثل في تنفيذ أدوات الحوسبة المتطورة والبروتوكولات والأجهزة المتطورة في البيئة السريرية. مطلوب خبراء من خلفيات متنوعة بما في ذلك علم الأحياء وتكنولوجيا المعلومات والإحصاء والرياضيات للعمل معًا لتحقيق هذا الهدف. يمكن إتاحة البيانات التي تم جمعها باستخدام المستشعرات على سحابة تخزين باستخدام أدوات برمجية مثبتة مسبقًا تم تطويرها بواسطة مطوري الأدوات التحليلية. سيكون لهذه الأدوات وظائف التنقيب عن البيانات والتعلم الآلي التي طورها خبراء الذكاء الاصطناعي لتحويل المعلومات المخزنة كبيانات إلى معرفة. عند التنفيذ ، سيعزز كفاءة الحصول على البيانات الضخمة من الرعاية الصحية وتخزينها وتحليلها وتصورها. وتتمثل المهمة الرئيسية في التعليق على هذه البيانات المعقدة ودمجها وتقديمها بطريقة مناسبة لفهم أفضل. في غياب مثل هذه المعلومات ذات الصلة ، تظل بيانات (الرعاية الصحية) غائمة تمامًا وقد لا تقود الباحثين في الطب الحيوي إلى أبعد من ذلك. أخيرًا ، يمكن لأدوات التصور التي طورها مصممو رسومات الكمبيوتر عرض هذه المعرفة المكتسبة حديثًا بكفاءة.

    عدم تجانس البيانات هو تحد آخر في تحليل البيانات الضخمة. الحجم الضخم والطبيعة غير المتجانسة للغاية للبيانات الضخمة في الرعاية الصحية تجعلها أقل إفادة نسبيًا باستخدام التقنيات التقليدية. أكثر الأنظمة الأساسية شيوعًا لتشغيل إطار عمل البرنامج الذي يساعد في تحليل البيانات الكبيرة هي مجموعات الحوسبة عالية الطاقة التي يتم الوصول إليها عبر البنى التحتية للحوسبة الشبكية. الحوسبة السحابية هي نظام يحتوي على تقنيات تخزين افتراضية ويوفر خدمات موثوقة. إنه يوفر موثوقية عالية وإمكانية التوسع والاستقلالية جنبًا إلى جنب مع الوصول في كل مكان واكتشاف الموارد الديناميكي والتركيب. يمكن أن تعمل مثل هذه المنصات كمستقبل للبيانات من أجهزة الاستشعار في كل مكان ، وكجهاز كمبيوتر لتحليل البيانات وتفسيرها ، فضلاً عن تزويد المستخدم بتصور سهل الفهم على شبكة الإنترنت. في إنترنت الأشياء ، يمكن إجراء معالجة وتحليلات البيانات الضخمة بالقرب من مصدر البيانات باستخدام خدمات الحوسبة السحابية المتنقلة وحوسبة الضباب. الخوارزميات المتقدمة مطلوبة لتنفيذ نهج ML و AI لتحليل البيانات الضخمة على مجموعات الحوسبة. يمكن استخدام لغة برمجة مناسبة للعمل على البيانات الضخمة (مثل Python أو R أو لغات أخرى) لكتابة مثل هذه الخوارزميات أو البرامج. لذلك ، مطلوب معرفة جيدة بالبيولوجيا وتكنولوجيا المعلومات للتعامل مع البيانات الضخمة من البحوث الطبية الحيوية. عادة ما يكون هذا المزيج من كلا الحرفين مناسبًا لعلماء المعلومات الحيوية. الأكثر شيوعًا بين الأنظمة الأساسية المختلفة المستخدمة للعمل مع البيانات الضخمة تشمل Hadoop و Apache Spark. نقدم بإيجاز هذه المنصات أدناه.

    هادوب

    لا يعد تحميل كميات كبيرة من البيانات (الكبيرة) في ذاكرة حتى أقوى مجموعات الحوسبة طريقة فعالة للعمل مع البيانات الضخمة. لذلك ، فإن أفضل نهج منطقي لتحليل كميات ضخمة من البيانات الضخمة المعقدة هو توزيعها ومعالجتها بالتوازي على عقد متعددة.ومع ذلك ، فإن حجم البيانات عادة ما يكون كبيرًا جدًا لدرجة أن الآلاف من آلات الحوسبة مطلوبة للتوزيع وإنهاء المعالجة في فترة زمنية معقولة. عند العمل مع مئات أو آلاف العقد ، يتعين على المرء أن يتعامل مع مشكلات مثل كيفية موازنة الحساب ، وتوزيع البيانات ، والتعامل مع حالات الفشل. يعد Hadoop [16] أحد أشهر التطبيقات الموزعة مفتوحة المصدر الموزعة لهذا الغرض. تنفذ Hadoop خوارزمية MapReduce لمعالجة وإنشاء مجموعات بيانات كبيرة. يستخدم MapReduce خريطة و خفض الأوليات ل خريطة كل سجل منطقي في الإدخال في مجموعة من أزواج المفتاح / القيمة الوسيطة ، و خفض تجمع العملية جميع القيم التي تشترك في نفس المفتاح [17]. فهو يوازي العمليات الحسابية بكفاءة ويتعامل مع حالات الفشل ويضع جداول زمنية للاتصال بين الآلات عبر مجموعات كبيرة من الآلات. نظام الملفات الموزعة Hadoop (HDFS) هو مكون نظام الملفات الذي يوفر تخزينًا متماثلًا وقابلًا للتطوير وفعالًا للبيانات في العقد المختلفة التي تشكل جزءًا من مجموعة [16]. يحتوي Hadoop على أدوات أخرى تعمل على تحسين مكونات التخزين والمعالجة ، لذلك تبنته العديد من الشركات الكبيرة مثل Yahoo و Facebook وغيرها بسرعة. أتاح Hadoop للباحثين استخدام مجموعات البيانات التي كان من المستحيل التعامل معها بطريقة أخرى. يتم تنفيذ Hadoop العديد من المشاريع الكبيرة ، مثل تحديد الارتباط بين بيانات جودة الهواء وقبول الربو ، وتطوير الأدوية باستخدام البيانات الجينومية والبروتينية ، وغيرها من جوانب الرعاية الصحية. لذلك ، مع تنفيذ نظام Hadoop ، لن يتم إعاقة تحليلات الرعاية الصحية.

    اباتشي سبارك

    Apache Spark هو بديل آخر مفتوح المصدر لبرنامج Hadoop. إنه محرك موحد لمعالجة البيانات الموزعة يتضمن مكتبات ذات مستوى أعلى لدعم استعلامات SQL (شرارة SQL) ، تدفق البيانات (شرارة الجري)، التعلم الالي (MLlib) ومعالجة الرسم البياني (جرافكس) [18]. تساعد هذه المكتبات في زيادة إنتاجية المطور لأن واجهة البرمجة تتطلب جهود ترميز أقل ويمكن دمجها بسلاسة لإنشاء المزيد من أنواع الحسابات المعقدة. من خلال تنفيذ مجموعات البيانات الموزعة المرنة (RDDs) ، يتم دعم معالجة البيانات في الذاكرة والتي يمكن أن تجعل Spark أسرع بنحو 100 مرة من Hadoop في التحليلات متعددة المسارات (على مجموعات البيانات الأصغر) [19 ، 20]. هذا صحيح أكثر عندما يكون حجم البيانات أصغر من الذاكرة المتوفرة [21]. يشير هذا إلى أن معالجة البيانات الضخمة حقًا باستخدام Apache Spark تتطلب قدرًا كبيرًا من الذاكرة. نظرًا لأن تكلفة الذاكرة أعلى من محرك الأقراص الثابتة ، فمن المتوقع أن تكون MapReduce أكثر فعالية من حيث التكلفة لمجموعات البيانات الكبيرة مقارنةً بـ Apache Spark. وبالمثل ، تم تطوير Apache Storm لتوفير إطار عمل في الوقت الفعلي لمعالجة تدفق البيانات. تدعم هذه المنصة معظم لغات البرمجة. بالإضافة إلى ذلك ، فإنه يوفر قابلية توسيع أفقية جيدة وقدرة مضمنة على تحمل الأخطاء لتحليل البيانات الضخمة.

    التعلم الآلي لاستخراج المعلومات وتحليل البيانات والتنبؤات

    في الرعاية الصحية ، تحتوي بيانات المريض على إشارات مسجلة على سبيل المثال ، مخطط كهربية القلب (ECG) ، وصور ، ومقاطع فيديو. بالكاد تمكن مقدمو الرعاية الصحية من تحويل بيانات الرعاية الصحية هذه إلى سجلات صحية إلكترونية. الجهود جارية لرقمنة تاريخ المرضى من ملاحظات حقبة ما قبل السجلات الصحية الإلكترونية وتكملة عملية التوحيد القياسي عن طريق تحويل الصور الثابتة إلى نص يمكن قراءته آليًا. على سبيل المثال ، يعد برنامج التعرف الضوئي على الأحرف (OCR) أحد الأساليب التي يمكنها التعرف على الكتابة اليدوية وكذلك خطوط الكمبيوتر ودفع الرقمنة. تحتوي مجموعات بيانات الرعاية الصحية غير المنظمة والمنظمة على ثروة غير مستغلة من المعلومات التي يمكن تسخيرها باستخدام برامج الذكاء الاصطناعي المتقدمة لاستخلاص رؤى حاسمة قابلة للتنفيذ في سياق رعاية المرضى. في الواقع ، برز الذكاء الاصطناعي كطريقة مفضلة لتطبيقات البيانات الضخمة في الطب. سرعان ما وجد هذا النظام الذكي مكانه المناسب في عملية اتخاذ القرار لتشخيص الأمراض. يقوم أخصائيو الرعاية الصحية بتحليل هذه البيانات بحثًا عن التشوهات المستهدفة باستخدام أساليب تعلم الآلة المناسبة. يمكن لـ ML تصفية المعلومات المنظمة من هذه البيانات الأولية.

    استخراج المعلومات من مجموعات بيانات السجلات الصحية الإلكترونية

    تساعد الاستراتيجيات الناشئة القائمة على تعلم الآلة أو الذكاء الاصطناعي على تحسين قدرات معالجة المعلومات في مجال الرعاية الصحية. على سبيل المثال ، تعد معالجة اللغة الطبيعية (NLP) مجالًا سريع التطور للتعلم الآلي يمكنه تحديد الهياكل التركيبية الرئيسية في النص الحر ، والمساعدة في التعرف على الكلام واستخراج المعنى الكامن وراء السرد. يمكن لأدوات البرمجة اللغوية العصبية أن تساعد في إنشاء مستندات جديدة ، مثل ملخص الزيارة السريرية ، أو إملاء الملاحظات السريرية. يمكن أن يمثل المحتوى الفريد من نوعه وتعقيد التوثيق السريري تحديًا للعديد من مطوري البرمجة اللغوية العصبية. ومع ذلك ، يجب أن نكون قادرين على استخراج المعلومات ذات الصلة من بيانات الرعاية الصحية باستخدام مناهج مثل البرمجة اللغوية العصبية.

    تم استخدام الذكاء الاصطناعي أيضًا لتوفير إمكانات تنبؤية لبيانات الرعاية الصحية الضخمة. على سبيل المثال ، يمكن لخوارزميات ML تحويل نظام تشخيص الصور الطبية إلى عملية صنع القرار الآلي. على الرغم من أنه من الواضح أن المتخصصين في الرعاية الصحية قد لا يتم استبدالهم بالآلات في المستقبل القريب ، إلا أن الذكاء الاصطناعي يمكنه بالتأكيد مساعدة الأطباء على اتخاذ قرارات سريرية أفضل أو حتى استبدال الحكم البشري في مجالات وظيفية معينة للرعاية الصحية.

    تحليلات الصور

    تشمل بعض تقنيات التصوير الأكثر استخدامًا في مجال الرعاية الصحية التصوير المقطعي (CT) ، والتصوير بالرنين المغناطيسي (MRI) ، والأشعة السينية ، والتصوير الجزيئي ، والموجات فوق الصوتية ، والتصوير الضوئي الصوتي ، والتصوير الوظيفي بالرنين المغناطيسي (fMRI) ، والتصوير المقطعي بالإصدار البوزيتروني (PET) ، تخطيط كهربية الدماغ (EEG) ، وتصوير الثدي بالأشعة السينية. تلتقط هذه التقنيات صورًا طبية عالية الدقة (بيانات المريض) بأحجام كبيرة. يقوم أخصائيو الرعاية الصحية مثل أخصائيي الأشعة والأطباء وغيرهم بعمل ممتاز في تحليل البيانات الطبية في شكل هذه الملفات للتشوهات المستهدفة. ومع ذلك ، من المهم أيضًا الاعتراف بنقص المتخصصين المتخصصين للعديد من الأمراض. من أجل التعويض عن هذا النقص في المهنيين ، تم تطوير أنظمة فعالة مثل أرشفة الصور ونظام الاتصالات (PACS) لتخزين بيانات الصور والتقارير الطبية والوصول إليها بسهولة [22]. تحظى أنظمة PACS بشعبية في توصيل الصور إلى محطات العمل المحلية ، والتي يتم إنجازها بواسطة بروتوكولات مثل اتصالات الصور الرقمية في الطب (DICOM). ومع ذلك ، يعتمد تبادل البيانات مع نظام PACS على استخدام البيانات المنظمة لاسترداد الصور الطبية. هذا بطبيعته يفتقد إلى المعلومات غير المنظمة الموجودة في بعض الصور الطبية الحيوية. علاوة على ذلك ، من الممكن أن تفقد معلومات إضافية حول الحالة الصحية للمريض موجودة في هذه الصور أو البيانات المماثلة. قد لا يلاحظ المحترف الذي يركز على تشخيص حالة غير ذات صلة ذلك ، خاصةً عندما تكون الحالة لا تزال في الظهور. للمساعدة في مثل هذه المواقف ، تُحدث تحليلات الصور تأثيرًا على الرعاية الصحية من خلال استخراج المؤشرات الحيوية للأمراض من الصور الطبية الحيوية. يستخدم هذا النهج تقنيات التعرف على الأنماط والتعلم الآلي لاستخلاص رؤى من كميات هائلة من بيانات الصور السريرية لتحويل تشخيص المرضى وعلاجهم ومراقبتهم. يركز على تعزيز القدرة التشخيصية للتصوير الطبي لاتخاذ القرارات السريرية.

    تم تطوير عدد من الأدوات البرمجية بناءً على وظائف مثل العامة والتسجيل والتجزئة والتصور وإعادة البناء والمحاكاة والنشر لإجراء تحليل للصور الطبية من أجل اكتشاف المعلومات المخفية. على سبيل المثال ، Visualization Toolkit هو برنامج متاح مجانًا يسمح بمعالجة وتحليل قوي للصور ثلاثية الأبعاد من الاختبارات الطبية [23] ، بينما يمكن لـ SPM معالجة وتحليل 5 أنواع مختلفة من صور الدماغ (مثل التصوير بالرنين المغناطيسي ، الرنين المغناطيسي الوظيفي ، التصوير المقطعي بالإصدار البوزيتروني ، التصوير المقطعي المحوسب و EEG) [24]. تدعم البرامج الأخرى مثل GIMIAS و Elastix و MITK جميع أنواع الصور. يتم سرد العديد من الأدوات الأخرى المستخدمة على نطاق واسع وخصائصها في هذا المجال في الجدول 1. قد يؤدي تحليل البيانات الضخمة المستند إلى المعلوماتية الحيوية إلى استخلاص رؤى وقيمة أكبر من بيانات التصوير لتعزيز ودعم مشاريع الطب الدقيق وأدوات دعم القرار السريري وأنماط أخرى من الرعاىة الصحية. على سبيل المثال ، يمكننا أيضًا استخدامه لمراقبة العلاجات المستهدفة الجديدة للسرطان.

    البيانات الضخمة من omics

    البيانات الضخمة من دراسات "omics" هي نوع جديد من التحدي لعلماء المعلومات الحيوية. الخوارزميات القوية مطلوبة لتحليل مثل هذه البيانات المعقدة من الأنظمة البيولوجية. الهدف النهائي هو تحويل هذه البيانات الضخمة إلى قاعدة معرفية مفيدة. يُعرف تطبيق مناهج المعلوماتية الحيوية لتحويل بيانات الطب الحيوي وعلم الجينوم إلى صحة تنبؤية ووقائية باسم المعلوماتية الحيوية الانتقالية. إنها في طليعة الرعاية الصحية القائمة على البيانات. يمكن دمج أنواع مختلفة من البيانات الكمية في مجال الرعاية الصحية ، على سبيل المثال من القياسات المختبرية وبيانات الأدوية والملامح الجينومية ، واستخدامها لتحديد البيانات الوصفية الجديدة التي يمكن أن تساعد في العلاجات الدقيقة [25]. هذا هو السبب في أن التقنيات الجديدة الناشئة مطلوبة للمساعدة في تحليل هذه الثروة الرقمية. في الواقع ، مشاريع طموحة للغاية بملايين الدولارات مثل "مبادرة البحث والتطوير للبيانات الضخمة"التي تهدف إلى تحسين جودة أدوات وتقنيات البيانات الضخمة من أجل تنظيم أفضل والوصول الفعال والتحليل الذكي للبيانات الضخمة. هناك العديد من المزايا المتوقعة من معالجةomics ' بيانات من مشروع الجينوم البشري واسع النطاق ومشاريع التسلسل السكاني الأخرى. في مشاريع التسلسل السكاني مثل 1000 جينوم ، سيتمكن الباحثون من الوصول إلى كمية رائعة من البيانات الأولية. وبالمثل ، يعتمد مشروع الجينوم البشري موسوعة عناصر الحمض النووي (ENCODE) يهدف مشروع (ENCODE) إلى تحديد جميع العناصر الوظيفية في الجينوم البشري باستخدام مناهج المعلوماتية الحيوية. هنا ، نقوم بإدراج بعض الأدوات القائمة على المعلوماتية الحيوية المستخدمة على نطاق واسع لتحليلات البيانات الضخمة على بيانات omics.

    سبارك هي منصة فعالة وجاهزة للسحابة تعتمد على إطار عمل Apache Spark ومكتبة Hadoop التي تُستخدم لتحليل البيانات الجينومية لتحليل البيانات الجينومية التفاعلية بدقة النوكليوتيدات

    SAMQA يحدد الأخطاء ويضمن جودة البيانات الجينومية واسعة النطاق. تم إنشاء هذه الأداة في الأصل لمشروع أطلس جينوم السرطان التابع للمعاهد الوطنية للصحة لتحديد الأخطاء والإبلاغ عنها بما في ذلك محاذاة التسلسل / خريطة خطأ تنسيق [SAM] والقراءات الفارغة.

    فن يمكنه محاكاة ملفات تعريف أخطاء القراءة وقراءة أطوال البيانات التي تم الحصول عليها باستخدام منصات تسلسل عالية الإنتاجية بما في ذلك منصات SOLiD و Illumina.

    DistMap هي مجموعة أدوات أخرى تستخدم لرسم خرائط القراءة القصيرة الموزعة على أساس مجموعة Hadoop التي تهدف إلى تغطية نطاق أوسع من تطبيقات التسلسل. على سبيل المثال ، يمكن أن يؤدي أحد تطبيقاته ، وهو مخطط BWA ، 500 مليون زوج قراءة في حوالي 6 ساعات ، أي حوالي 13 مرة أسرع من رسام الخرائط التقليدي أحادي العقدة.

    SeqWare هو محرك استعلام يعتمد على نظام قاعدة بيانات Apache HBase الذي يتيح الوصول إلى مجموعات بيانات الجينوم الكامل على نطاق واسع من خلال دمج متصفحات وأدوات الجينوم.

    CloudBurst هو نموذج حوسبة متوازية يستخدم في تجارب رسم خرائط الجينوم لتحسين قابلية قراءة بيانات التسلسل الكبيرة.

    العدار يستخدم إطار عمل الحوسبة الموزع Hadoop لمعالجة قواعد بيانات الببتيد والأطياف الكبيرة لمجموعات بيانات البروتينات. هذه الأداة المحددة قادرة على أداء 27 مليار نتيجة ببتيد في أقل من 60 دقيقة على كتلة Hadoop.

    BlueSNP عبارة عن حزمة R تعتمد على منصة Hadoop المستخدمة لتحليل دراسات الارتباط على مستوى الجينوم (GWAS) ، والتي تهدف في المقام الأول إلى القراءات الإحصائية للحصول على ارتباطات مهمة بين مجموعات بيانات النمط الجيني والنمط الظاهري. تقدر كفاءة هذه الأداة بتحليل 1000 نمط ظاهري على 10 6 تعدد الأشكال في 10 4 أفراد في مدة نصف ساعة.

    ميرنا يوفر خط الأنابيب المستند إلى السحابة معلومات عن اختلافات مستوى التعبير للجينات ، بما في ذلك محاذاة القراءة وتطبيع البيانات والنمذجة الإحصائية.

    شهدت السنوات القليلة الماضية زيادة هائلة في مجموعات البيانات الخاصة بالأمراض من منصات omics. على سبيل المثال ، ملف أرشيف ArrayExpress لعلم الجينوم الوظيفي يحتوي مستودع البيانات على معلومات من حوالي 30000 تجربة وأكثر من مليون اختبار وظيفي. الكمية المتزايدة من البيانات تتطلب حزم معلوماتية حيوية أفضل وفعالة لتحليل وتفسير المعلومات التي تم الحصول عليها. وقد أدى ذلك أيضًا إلى ولادة أدوات محددة لتحليل مثل هذه الكميات الهائلة من البيانات. أدناه ، نذكر بعضًا من أكثر المنصات التجارية شيوعًا لتحليلات البيانات الضخمة.

    المنصات التجارية لتحليل بيانات الرعاية الصحية

    من أجل مواجهة تحديات البيانات الضخمة وإجراء تحليلات أكثر سلاسة ، قامت العديد من الشركات بتطبيق الذكاء الاصطناعي لتحليل النتائج المنشورة والبيانات النصية وبيانات الصور للحصول على نتائج ذات مغزى. تعد شركة IBM Corporation واحدة من أكبر الشركات وأكثرها خبرة في هذا القطاع لتقديم خدمات تحليلات الرعاية الصحية تجاريًا. يعد Watson Health من IBM نظامًا أساسيًا للذكاء الاصطناعي لمشاركة البيانات الصحية وتحليلها بين المستشفيات ومقدمي الخدمات والباحثين. وبالمثل ، تقدم Flatiron Health خدمات موجهة نحو التكنولوجيا في تحليلات الرعاية الصحية التي تركز بشكل خاص على أبحاث السرطان. تركز الشركات الكبرى الأخرى مثل Oracle Corporation و Google Inc. أيضًا على تطوير التخزين المستند إلى السحابة ومنصات طاقة الحوسبة الموزعة. ومن المثير للاهتمام ، أنه في السنوات القليلة الماضية ، ظهرت أيضًا العديد من الشركات والشركات الناشئة لتقديم التحليلات والحلول القائمة على الرعاية الصحية. يتم توفير بعض البائعين في قطاع الرعاية الصحية في الجدول 2. أدناه نناقش بعض هذه الحلول التجارية.

    أياسدي

    Ayasdi هو أحد البائعين الكبار الذين يركزون على المنهجيات القائمة على ML لتوفير نظام أساسي للذكاء الآلي جنبًا إلى جنب مع إطار عمل للتطبيق مع قابلية توسعة مؤسسية مجربة ومختبرة. يوفر تطبيقات مختلفة لتحليلات الرعاية الصحية ، على سبيل المثال ، لفهم وإدارة التباين السريري ، وتحويل تكاليف الرعاية السريرية. كما أنه قادر على تحليل وإدارة كيفية تنظيم المستشفيات ، والمحادثة بين الأطباء ، والقرارات الموجهة للمخاطر من قبل الأطباء للعلاج ، والرعاية التي يقدمونها للمرضى. كما يوفر تطبيقًا لتقييم وإدارة صحة السكان ، وهي استراتيجية استباقية تتجاوز منهجيات تحليل المخاطر التقليدية. يستخدم ذكاء ML للتنبؤ بمسارات المخاطر المستقبلية ، وتحديد محركات المخاطر ، وتقديم حلول لأفضل النتائج. يوضح الشكل 4 توضيحًا استراتيجيًا لمنهجية الشركة في التحليلات.

    رسم توضيحي لتطبيق "مجموعة التطبيقات الذكية" المقدمة من AYASDI للتحليلات المختلفة مثل التباين السريري ، وصحة السكان ، وإدارة المخاطر في قطاع الرعاية الصحية

    اللغويات

    إنها خوارزمية تعتمد على البرمجة اللغوية العصبية وتعتمد على خوارزمية تعدين النص التفاعلي (I2E). يمكن لـ I2E استخراج وتحليل مجموعة واسعة من المعلومات. النتائج التي تم الحصول عليها باستخدام هذه التقنية أسرع بعشرة أضعاف من الأدوات الأخرى ولا تتطلب معرفة متخصصة لتفسير البيانات. يمكن أن يوفر هذا النهج معلومات عن العلاقات الجينية والحقائق من البيانات غير المهيكلة. الكلاسيكية ، تتطلب ML بيانات جيدة التنظيم كمدخلات لتوليد نتائج نظيفة ومفلترة. ومع ذلك ، فإن البرمجة اللغوية العصبية عند دمجها في السجلات الصحية الإلكترونية أو السجلات السريرية في حد ذاتها تسهل استخراج المعلومات النظيفة والمنظمة التي غالبًا ما تظل مخفية في بيانات الإدخال غير المنظمة (الشكل 5).

    تمثيل تخطيطي لمبدأ عمل نظام الذكاء الاصطناعي المستند إلى البرمجة اللغوية العصبية المستخدمة في الاحتفاظ بالبيانات الضخمة وتحليلها في علم اللغويات

    آي بي إم واتسون

    هذه إحدى الأفكار الفريدة لشركة IBM العملاقة للتكنولوجيا والتي تستهدف تحليلات البيانات الضخمة في كل قطاع مهني تقريبًا. تستخدم هذه المنصة الخوارزميات القائمة على ML و AI على نطاق واسع لاستخراج الحد الأقصى من المعلومات من الحد الأدنى من المدخلات. يفرض IBM Watson نظام دمج مجموعة واسعة من مجالات الرعاية الصحية لتوفير بيانات ذات مغزى ومنظمة (الشكل 6). في محاولة للكشف عن أهداف دوائية جديدة على وجه التحديد في نموذج مرض السرطان ، شكلت شركتا IBM Watson و Pfizer تعاونًا مثمرًا لتسريع اكتشاف مجموعات جديدة من علم الأورام المناعي. يتيح الجمع بين وحدات التعلم العميق لـ Watson والمتكاملة مع تقنيات الذكاء الاصطناعي للباحثين تفسير مجموعات البيانات الجينومية المعقدة. تم استخدام IBM Watson للتنبؤ بأنواع معينة من السرطان بناءً على ملفات تعريف التعبير الجيني التي تم الحصول عليها من مجموعات البيانات الكبيرة المختلفة التي توفر علامات على أهداف متعددة للأدوية. يستخدم IBM Watson أيضًا في برامج اكتشاف الأدوية من خلال دمج الأدبيات المنسقة وتشكيل خرائط الشبكة لتقديم نظرة عامة مفصلة عن المشهد الجزيئي في نموذج مرض معين.

    IBM Watson في تحليلات بيانات الرعاية الصحية. تمثيل تخطيطي للوحدات الوظيفية المختلفة في حزمة الرعاية الصحية للبيانات الضخمة الخاصة بشركة IBM Watson. على سبيل المثال ، يشتمل مجال اكتشاف الأدوية على شبكة من الحصول على البيانات عالية التنسيق والتحليل ضمن نطاق قاعدة البيانات المنظمة لبناء مسارات ذات مغزى نحو توضيح أهداف الأدوية الجديدة.

    من أجل تحليل البيانات الطبية المتنوعة ، يصف مجال الرعاية الصحية التحليلات في أربع فئات: التحليلات الوصفية والتشخيصية والتنبؤية والتعليمية. تشير التحليلات الوصفية إلى وصف المواقف الطبية الحالية والتعليق على ذلك بينما يشرح التحليل التشخيصي الأسباب والعوامل الكامنة وراء حدوث أحداث معينة ، على سبيل المثال ، اختيار خيار العلاج للمريض بناءً على التجميع وشجرة القرار. تركز التحليلات التنبؤية على القدرة التنبؤية للنتائج المستقبلية من خلال تحديد الاتجاهات والاحتمالات. هذه الأساليب مبنية بشكل أساسي على تقنيات الميل الآلي وهي مفيدة في سياق فهم المضاعفات التي يمكن أن يصاب بها المريض. التحليلات الوصفية هي إجراء تحليل لاقتراح إجراء نحو اتخاذ القرار الأمثل. على سبيل المثال ، قرار تجنب علاج معين للمريض بناءً على الآثار الجانبية الملاحظة والمضاعفات المتوقعة. من أجل تحسين أداء الأنظمة الطبية الحالية ، يمكن أن يكون دمج البيانات الضخمة في تحليلات الرعاية الصحية عاملاً رئيسًا ، ومع ذلك ، يجب تطوير استراتيجيات معقدة. مطلوب بنية لأفضل الممارسات للتحليلات المختلفة في مجال الرعاية الصحية لدمج تقنيات البيانات الضخمة لتحسين النتائج. ومع ذلك ، هناك العديد من التحديات المرتبطة بتنفيذ مثل هذه الاستراتيجيات.

    التحديات المرتبطة ببيانات الرعاية الصحية الضخمة

    يتم تطوير طرق إدارة البيانات الضخمة وتحليلها بشكل مستمر خاصةً لتدفق البيانات في الوقت الفعلي ، والتقاطها ، وتجميعها ، والتحليلات (باستخدام ML والتنبؤ) ، وحلول التصور التي يمكن أن تساعد في دمج الاستخدام الأفضل لسجلات السجلات الطبية الإلكترونية مع الرعاية الصحية. على سبيل المثال ، معدل اعتماد السجلات الصحية الإلكترونية لبرامج السجلات الصحية الإلكترونية المختبرة والمعتمدة فيدراليًا في قطاع الرعاية الصحية في الولايات المتحدة الأمريكية.يكاد يكتمل [7]. ومع ذلك ، فإن توفر مئات من منتجات السجلات الصحية الإلكترونية المعتمدة من قبل الحكومة ، ولكل منها مصطلحات سريرية مختلفة ، ومواصفات فنية ، وقدرات وظيفية أدى إلى صعوبات في قابلية التشغيل البيني ومشاركة البيانات. ومع ذلك ، يمكننا القول بأمان أن صناعة الرعاية الصحية قد دخلت في مرحلة نشر "ما بعد EMR". الآن ، الهدف الرئيسي هو الحصول على رؤى قابلة للتنفيذ من هذه الكميات الهائلة من البيانات التي تم جمعها على أنها سجلات سجلات إلكترونية. هنا ، نناقش بعض هذه التحديات بإيجاز.

    تخزين

    يعد تخزين حجم كبير من البيانات أحد التحديات الأساسية ، ولكن العديد من المؤسسات تشعر بالراحة عند تخزين البيانات في أماكن العمل الخاصة بها. لديها العديد من المزايا مثل التحكم في الأمان والوصول ووقت التشغيل. ومع ذلك ، قد يكون توسيع نطاق شبكة الخادم في الموقع أمرًا مكلفًا ويصعب صيانته. يبدو أنه مع انخفاض التكاليف وزيادة الموثوقية ، يعد التخزين المستند إلى السحابة باستخدام البنية التحتية لتكنولوجيا المعلومات خيارًا أفضل اختارته معظم مؤسسات الرعاية الصحية. يجب أن تختار المؤسسات شركاء السحابة الذين يفهمون أهمية الامتثال الخاص بالرعاية الصحية وقضايا الأمان. بالإضافة إلى ذلك ، يوفر التخزين السحابي تكاليف أولية أقل واستعادة ذكية بعد الكوارث وتوسعة أسهل. يمكن للمؤسسات أيضًا أن يكون لديها نهج مختلط لبرامج تخزين البيانات الخاصة بها ، والتي قد تكون النهج الأكثر مرونة وقابلية للتطبيق لمقدمي الخدمات الذين لديهم احتياجات مختلفة للوصول إلى البيانات والتخزين.

    تنظيف

    تحتاج البيانات إلى تنقية أو مسح لضمان الدقة والصحة والاتساق والملاءمة والنقاء بعد الاستحواذ. يمكن أن تكون عملية التنظيف يدوية أو آلية باستخدام قواعد منطقية لضمان مستويات عالية من الدقة والنزاهة. تستخدم الأدوات الأكثر تعقيدًا ودقة تقنيات التعلم الآلي لتقليل الوقت والنفقات وإيقاف البيانات الخاطئة من عرقلة مشاريع البيانات الضخمة.

    شكل موحد

    ينتج المرضى قدرًا هائلاً من البيانات التي يصعب التقاطها بتنسيق السجلات الصحية الإلكترونية التقليدية ، لأنها معقدة ولا يمكن التحكم فيها بسهولة. من الصعب للغاية التعامل مع البيانات الضخمة خاصة عندما تأتي بدون تنظيم بيانات مثالي لمقدمي الرعاية الصحية. الحاجة إلى تدوين جميع المعلومات ذات الصلة سريريًا التي تظهر لغرض المطالبات وأغراض الفوترة والتحليلات السريرية. لذلك ، تم تطوير أنظمة الترميز الطبي مثل مجموعات رموز المصطلحات الإجرائية الحالية (CPT) والتصنيف الدولي للأمراض (ICD) لتمثيل المفاهيم السريرية الأساسية. ومع ذلك ، فإن مجموعات الرموز هذه لها قيودها الخاصة.

    صحة

    لاحظت بعض الدراسات أن الإبلاغ عن بيانات المرضى في السجلات الطبية الإلكترونية أو السجلات الطبية الإلكترونية ليس دقيقًا تمامًا بعد [26،27،28،29] ، ربما بسبب ضعف فائدة السجلات الصحية الإلكترونية ، وتدفقات العمل المعقدة ، والفهم المنكسر لسبب كون البيانات الضخمة كلها- من المهم التقاطها بشكل جيد. يمكن أن تساهم كل هذه العوامل في مشكلات الجودة الخاصة بالبيانات الضخمة طوال دورة حياتها. تهدف السجلات الصحية الإلكترونية إلى تحسين جودة البيانات وإيصالها في تدفقات العمل الإكلينيكي على الرغم من أن التقارير تشير إلى وجود تناقضات في هذه السياقات. قد تتحسن جودة التوثيق باستخدام استبيانات التقرير الذاتي من المرضى لأعراضهم.

    المعالجة المسبقة للصور

    لاحظت الدراسات العديد من العوامل الفيزيائية التي يمكن أن تؤدي إلى تغيير جودة البيانات وإساءة التفسير من السجلات الطبية الموجودة [30]. غالبًا ما تعاني الصور الطبية من حواجز تقنية تتضمن أنواعًا متعددة من الضوضاء والتحف. يمكن أن يؤدي التعامل غير السليم مع الصور الطبية أيضًا إلى التلاعب بالصور على سبيل المثال قد يؤدي إلى تحديد الهياكل التشريحية مثل الأوردة التي لا ترتبط بسيناريو الحالة الحقيقية. يعد الحد من الضوضاء ، وإزالة القطع الأثرية ، وضبط تباين الصور التي تم الحصول عليها ، وتعديل جودة الصورة بعد سوء التعامل ، بعض التدابير التي يمكن تنفيذها لصالح الغرض.

    حماية

    كان هناك العديد من الخروقات الأمنية ، والقرصنة ، وهجمات التصيد ، وحلقات برامج الفدية التي يعتبر أمن البيانات من أولويات مؤسسات الرعاية الصحية. بعد ملاحظة مجموعة من نقاط الضعف ، تم تطوير قائمة من الضمانات التقنية للمعلومات الصحية المحمية (PHI). تساعد هذه القواعد ، التي يطلق عليها قواعد أمان HIPAA ، في توجيه المؤسسات بشأن التخزين ، والإرسال ، وبروتوكولات المصادقة ، وعناصر التحكم في الوصول والتكامل والتدقيق. يمكن أن توفر إجراءات الأمان الشائعة مثل استخدام برامج مكافحة الفيروسات الحديثة والجدران النارية وتشفير البيانات الحساسة والمصادقة متعددة العوامل الكثير من المتاعب.

    البيانات الوصفية

    للحصول على خطة إدارة بيانات ناجحة ، سيكون من الضروري وجود بيانات وصفية كاملة ودقيقة وحديثة فيما يتعلق بجميع البيانات المخزنة. ستتألف البيانات الوصفية من معلومات مثل وقت الإنشاء والغرض والشخص المسؤول عن البيانات والاستخدام السابق (بواسطة من ولماذا وكيف ومتى) للباحثين ومحللي البيانات. سيسمح ذلك للمحللين بتكرار الاستفسارات السابقة والمساعدة في إجراء دراسات علمية لاحقة وإجراء قياس معياري دقيق. يؤدي هذا إلى زيادة فائدة البيانات ويمنع إنشاء "مكبات تخزين البيانات" ذات الاستخدام المنخفض أو بدون فائدة.

    الاستعلام

    ستجعل البيانات الوصفية من السهل على المؤسسات الاستعلام عن بياناتها والحصول على بعض الإجابات. ومع ذلك ، في حالة عدم وجود قابلية التشغيل البيني المناسبة بين مجموعات البيانات ، قد لا تتمكن أدوات الاستعلام من الوصول إلى مستودع البيانات بالكامل. أيضًا ، يجب أن تكون المكونات المختلفة لمجموعة البيانات مترابطة جيدًا أو مرتبطة ويمكن الوصول إليها بسهولة وإلا فقد لا يتم إنشاء صورة كاملة لصحة المريض الفردية. يجب تنفيذ أنظمة الترميز الطبي مثل ICD-10 أو SNOMED-CT أو LOINC لتقليل المفاهيم الحرة إلى علم الوجود المشترك. إذا لم تكن دقة البيانات واكتمالها وتوحيدها موضع تساؤل ، فيمكن استخدام لغة الاستعلام الهيكلية (SQL) للاستعلام عن مجموعات البيانات الكبيرة وقواعد البيانات العلائقية.

    التصور

    يمكن أن يجعل التصور النظيف والجذاب للبيانات مع المخططات وخرائط الحرارة والرسوم البيانية لتوضيح الأشكال المتباينة والتصنيف الصحيح للمعلومات لتقليل الارتباك المحتمل ، من السهل علينا استيعاب المعلومات واستخدامها بشكل مناسب. تتضمن الأمثلة الأخرى المخططات الشريطية والمخططات الدائرية والمخططات المبعثرة مع طرقها الخاصة لنقل البيانات.

    تبادل البيانات

    قد يتلقى المرضى أو لا يتلقون رعايتهم في مواقع متعددة. في الحالة الأولى ، سيكون من الضروري مشاركة البيانات مع مؤسسات الرعاية الصحية الأخرى. أثناء هذه المشاركة ، إذا كانت البيانات غير قابلة للتشغيل البيني ، فقد يتم تقليص حركة البيانات بين المنظمات المتباينة بشدة. قد يكون هذا بسبب الحواجز التقنية والتنظيمية. قد يترك هذا الأطباء بدون معلومات أساسية لاتخاذ القرارات المتعلقة بالمتابعة واستراتيجيات العلاج للمرضى. حلول مثل مورد قابلية التشغيل البيني للرعاية الصحية (FHIR) وواجهات برمجة التطبيقات العامة و CommonWell (جمعية تجارية غير هادفة للربح) و Carequality (إطار عمل مشترك مبني على توافق الآراء) تجعل قابلية التشغيل البيني للبيانات ومشاركتها سهلة وآمنة. أكبر عقبة أمام مشاركة البيانات هي معالجة البيانات كسلعة يمكن أن توفر ميزة تنافسية. لذلك ، في بعض الأحيان يتدخل كل من مقدمي الخدمة والبائعين عن قصد في تدفق المعلومات لمنع تدفق المعلومات بين أنظمة السجلات الصحية الإلكترونية المختلفة [31].

    سيحتاج مقدمو الرعاية الصحية إلى التغلب على كل تحد في هذه القائمة والمزيد لتطوير نظام بيئي لتبادل البيانات الضخمة يوفر معلومات جديرة بالثقة وفي الوقت المناسب وذات مغزى من خلال ربط جميع أعضاء سلسلة الرعاية المستمرة. ستكون هناك حاجة إلى الوقت والالتزام والتمويل والتواصل قبل التغلب على هذه التحديات.

    تحليلات البيانات الضخمة لخفض التكاليف

    لتطوير نظام رعاية صحية قائم على البيانات الضخمة التي يمكنها تبادل البيانات الضخمة وتزويدنا بمعلومات جديرة بالثقة وفي الوقت المناسب وذات مغزى ، نحتاج إلى التغلب على كل تحد مذكور أعلاه. يتطلب التغلب على هذه التحديات الاستثمار من حيث الوقت والتمويل والالتزام. ومع ذلك ، مثل التطورات التكنولوجية الأخرى ، فإن نجاح هذه الخطوات الطموحة من شأنه أن يخفف على ما يبدو الأعباء الحالية على الرعاية الصحية وخاصة من حيث التكاليف. من المعتقد أن تنفيذ تحليلات البيانات الضخمة من قبل مؤسسات الرعاية الصحية قد يؤدي إلى توفير أكثر من 25٪ في التكاليف السنوية في السنوات القادمة. يمكن أن يؤدي التشخيص الأفضل والتنبؤ بالأمراض عن طريق تحليلات البيانات الضخمة إلى خفض التكلفة عن طريق تقليل معدل إعادة القبول في المستشفى. لا تفهم شركات الرعاية الصحية المتغيرات المسؤولة عن إعادة الإدخال جيدًا بما فيه الكفاية. سيكون من الأسهل على مؤسسات الرعاية الصحية تحسين بروتوكولاتها للتعامل مع المرضى ومنع إعادة القبول من خلال تحديد هذه العلاقات جيدًا. يمكن أن تساعد تحليلات البيانات الضخمة أيضًا في تحسين التوظيف ، والتنبؤ بمتطلبات غرفة العمليات ، وتبسيط رعاية المرضى ، وتحسين سلسلة التوريد الصيدلانية. كل هذه العوامل ستؤدي إلى خفض نهائي في تكاليف الرعاية الصحية من قبل المنظمات.

    ميكانيكا الكم وتحليل البيانات الضخمة

    يمكن أن تكون مجموعات البيانات الضخمة مذهلة في الحجم. لذلك ، لا يزال تحليلها شاقًا حتى مع أقوى أجهزة الكمبيوتر الحديثة. بالنسبة لمعظم التحليلات ، تكمن العقبة في قدرة الكمبيوتر على الوصول إلى ذاكرته وليس في المعالج [32 ، 33]. تفوق متطلبات السعة وعرض النطاق الترددي أو زمن الوصول للتسلسل الهرمي للذاكرة المتطلبات الحسابية لدرجة أن الحواسيب العملاقة تستخدم بشكل متزايد لتحليل البيانات الضخمة [34 ، 35]. حل إضافي هو تطبيق النهج الكمي لتحليل البيانات الضخمة.

    الحوسبة الكمومية ومزاياها

    تستخدم الحوسبة الرقمية الشائعة أرقامًا ثنائية لتشفير البيانات بينما تستخدم الحوسبة الكمية البتات الكمية أو كيوبت [36]. أ كيوبت هي نسخة كمومية من البتات الثنائية الكلاسيكية التي يمكن أن تمثل صفرًا أو واحدًا أو أي مجموعة خطية من الحالات (تسمى التراكب) من هاتين الدولتين كيوبت [37]. لذلك ، تسمح وحدات البت للبتات الحاسوبية بالعمل في ثلاث حالات مقارنة بحالتين في الحساب الكلاسيكي. هذا يسمح لأجهزة الكمبيوتر الكمومية بالعمل أسرع بآلاف المرات من أجهزة الكمبيوتر العادية. على سبيل المثال ، التحليل التقليدي لمجموعة البيانات باستخدام ن تتطلب النقاط 2 ن وحدات المعالجة في حين أنها تتطلب فقط ن بتات الكم باستخدام الكمبيوتر الكمومي. تستخدم أجهزة الكمبيوتر الكمومية ظواهر ميكانيكا الكم مثل التراكب والتشابك الكمومي لإجراء العمليات الحسابية [38 ، 39].

    يمكن لخوارزميات الكم تسريع تحليل البيانات الضخمة أضعافا مضاعفة [40]. يمكن حل بعض المشكلات المعقدة ، التي يُعتقد أنها غير قابلة للحل باستخدام الحوسبة التقليدية ، من خلال الأساليب الكمية. على سبيل المثال ، تقنيات التشفير الحالية مثل RSA والمفتاح العام (PK) ومعيار تشفير البيانات (DES) التي يُعتقد أنها غير سالكة الآن لن تكون ذات صلة في المستقبل لأن أجهزة الكمبيوتر الكمومية سوف تمر عبرها بسرعة [41]. يمكن للنهج الكمومية أن تقلل بشكل كبير من المعلومات المطلوبة لتحليل البيانات الضخمة. على سبيل المثال ، يمكن لنظرية الكم أن تزيد من القدرة على التمييز بين شبكة متعددة الطبقات باستخدام أقل عدد ممكن من الطبقات [42]. بالإضافة إلى ذلك ، تتطلب الأساليب الكمومية مجموعة بيانات صغيرة نسبيًا للحصول على تحليل بيانات بالغ الحساسية مقارنة بالتقنيات التقليدية (التعلم الآلي). لذلك ، يمكن للنهج الكمومية أن تقلل بشكل كبير من مقدار القوة الحسابية المطلوبة لتحليل البيانات الضخمة. على الرغم من أن الحوسبة الكمومية لا تزال في مهدها وتمثل العديد من التحديات المفتوحة ، إلا أنه يتم تنفيذها لبيانات الرعاية الصحية.

    تطبيقات في تحليل البيانات الضخمة

    بدأت الحوسبة الكمومية في الانتعاش ويبدو أنها حل محتمل لتحليل البيانات الضخمة. على سبيل المثال ، يمكن الآن تحديد الأحداث النادرة ، مثل إنتاج بوزونات هيغز في مصادم الهادرونات الكبير (LHC) باستخدام الأساليب الكمية [43]. في LHC ، يتم إنشاء كميات هائلة من بيانات التصادم (1 بيتابايت / ثانية) والتي تحتاج إلى تصفيتها وتحليلها. أحد هذه الأساليب ، التلدين الكمي لـ ML (QAML) الذي ينفذ مزيجًا من ML والحوسبة الكمومية مع مادة التلدين الكمومية القابلة للبرمجة ، يساعد على تقليل التدخل البشري وزيادة دقة تقييم بيانات اصطدام الجسيمات. في مثال آخر ، تم تنفيذ آلة متجه الدعم الكمي لكل من مرحلتي التدريب والتصنيف لتصنيف البيانات الجديدة [44]. يمكن أن تجد مثل هذه الأساليب الكمية تطبيقات في العديد من مجالات العلوم [43]. في الواقع ، تم تنفيذ الشبكة العصبية الكمومية المتكررة (RQNN) لزيادة قابلية فصل الإشارات في إشارات مخطط كهربية الدماغ (EEG) [45]. وبالمثل ، تم تطبيق التلدين الكمي على تحسين شدة العلاج الإشعاعي المعدل (IMRT) [46]. وبالمثل ، يوجد المزيد من التطبيقات للنُهج الكمية فيما يتعلق بالرعاية الصحية ، على سبيل المثال. أجهزة الاستشعار الكمومية والمجاهر الكمومية [47].


    الملقب ب واجهات آلة الدماغ (مؤشر كتلة الجسم). يسمي Craver (2010) هذا نوعًا من طرف صناعي. غالبًا ما أستخدم المصطلحات المفضلة لـ Datteri (2009) ، الكترونية و هجين. لأغراض هذه المقالة ، يجب اعتبار المصطلحات الاصطناعية أو الإلكترونية أو الهجينة قابلة للتبديل في إشارة إلى النماذج والتجارب.

    تتوفر مقاطع الفيديو التوضيحية كمواد تكميلية في طبيعة سجية الموقع الإلكتروني ، http://www.nature.com/nature/journal/v453/n7198/suppinfo/nature06996.html.

    هذا التوضيح مطلوب لأن هناك شعورًا بأن أي مهارة تعلّم توسع الدماغ إلى ما هو أبعد من ذخيرته السابقة من الوظائف - على سبيل المثال. تعلم الكتابة ، العزف على الكمان. لا أفترض أن هناك فرقًا في النوع بين أنواع مرونة الدماغ وتوسيع الوظيفة المطلوبة لتعلم المهارات ، وتلك التي لوحظت بعد استخدام BCI. إن الأمر يتعلق فقط بأن هذا الأخير لن يتم ملاحظته في غياب التدخلات التكنولوجية المحددة لأنها تعتمد على أنواع جديدة من وصلات الدماغ والجسم المزروعة التي توفرها التكنولوجيا.

    اقتباسات مخيفة لأنني لا أهدف إلى تعزيز الصورة المبسطة للدماغ كما هو محصور بين المدخلات الحسية والمخرجات الحركية (انظر Hurley 1998).

    شكرًا لمراجع مجهول لإثارة هذا القلق ولاقتراح استعارة المكونات الكهربائية.

    لمتابعة استعارة القابس الكهربائي ، تخيل محركًا كهربائيًا مصنوعًا في المملكة المتحدة ومصممًا للعمل على مصدر 240 فولت. باستخدام محول قابس قياسي ، يتم تشغيل الجهاز في الولايات المتحدة الأمريكية ولأنه يحتوي الآن على مصدر طاقة 110 فولت فقط ، فإنه لا يعمل بأقصى سرعة. لكن هذا الجهاز لديه قدرة متأصلة على تعديل المكونات الداخلية استجابة لمتطلبات المدخلات الكهربائية الجديدة ، ويبدأ مع الوقت في العمل كما كان الحال في المملكة المتحدة. يتصرف كما لو أنه نما محول تصعيد داخلي. هذا هو شكل الدماغ لأنه يتكيف مع BCI.

    لاحظ ، مع ذلك ، أنه لا يلزم أن تكون الحركة في جزء اصطناعي من الجسم يتم إنشاؤه ، نظرًا لأن العديد من تجارب BCI تتطلب فقط من الأشخاص التحكم في حركة المؤشر على شاشة الكمبيوتر ، كما تم إثبات أن أجزاء من الدماغ أخرى من القشرة الحركية لهذا الغرض (Leuthardt et al. 2011).

    قد يُقترح استخدام طرف صناعي يستخدم كلا من وضع قطب كهربائي دقيق و لن تحتاج خوارزمية فك التشفير الأكثر طبيعية إلى الاعتماد على اللدونة القشرية. في متابعة لهذه الورقة ، أشرح القيود العملية والنظرية لجعل نماذج فك التشفير واقعية إلى أقصى حد بهذه الطريقة.

    قد يعترض المرء أيضًا على ادعائي بأن BCI تعمل على توسيع القشرة الحركية وظيفيًا من خلال اقتراح الفرضية البديلة القائلة بأن اختيار الدوائر للمهام الجديدة هو مجرد إعادة استخدام عادية (انظر Anderson (2010) وبفضل المراجع المجهول لرفع هذا الاقتراح). كما يحدث ، هناك أسباب للاعتقاد بأن بعض الظواهر التي تُنسب عادةً إلى اللدونة قد تكون في الواقع حالات إعادة الاستخدام - على سبيل المثال. تم وصف M1 من قبل مختبرات مختلفة على أنها ترميز الاتجاه المجرد للحركة أو التحكم في نشاط العضلات ، اعتمادًا على التجارب التي أجريت في تلك المختبرات (Meel Velliste ، الاتصال الشخصي). وفقًا لحساب اللدونة البسيط ، لا يتم تنفيذ إحدى هاتين الوظيفتين أو كليهما بشكل طبيعي بواسطة M1 ، ويجب أن يتعلم القيام بذلك ولكن استطاع أن يكون M1 قادرًا على الأداء والتبديل بين هاتين الوظيفتين حتى في ظل الظروف غير التجريبية. الأهم من ذلك ، أن فرضية إعادة الاستخدام لا تتوقع أنه ستكون هناك تغييرات هيكلية في الدوائر العصبية التي يتم استدعاؤها لأداء وظائف مختلفة. ومع ذلك ، ما هو واضح من الأدبيات حول BCI ، وتعلم المهارات الحركية العادية ، هو أن مثل هذه التغييرات تحدث أيضًا ، على سبيل المثال في شكل تغيير في تفضيلات الضبط الاتجاهي للخلايا العصبية القشرية الحركية ومجال التحكم (انظر Sanes and Donoghue 2000 للمراجعة) ، وبالتالي تعتبر هذه التأثيرات عالميًا أمثلة على اللدونة. هذه هي الظواهر التي أركز عليها.

    سأعود إلى هذه المسألة في "الاستنتاجات والأسئلة" أدناه.

    ثانيًا ، فيما يتعلق بـ ArB2 ، تظهر العديد من الدراسات أن الغرس الإلكتروني من المحتمل أن ينتج عنه تغييرات طويلة الأمد في النظام البيولوجي. لقد ثبت على نطاق واسع ... أن غرس الواجهة الإلكترونية والاتصال بالأجهزة الخارجية ينتج عادةً تغييرات بلاستيكية في أجزاء من النظام البيولوجي ، مثل التغييرات طويلة المدى في الاتصال العصبي. تؤثر التغييرات البلاستيكية الأخرى على نشاط الخلايا العصبية. " (313).

    يمكن للمرء بالطبع أن يجادل بأن داتري كان يجب أن يعامل اللامبري وحالات القشرة الحركية بشكل مختلف بسبب الاختلاف في درجة مطابقة المدخلات والمخرجات ، بدلاً من تجميعها معًا. في الواقع ، هذا للتنازل عن وجهة نظري القائلة بأن إطار عمل Datteri غير مناسب لمعظم أبحاث BCI. ومع ذلك ، يبدو أن Datteri يقلل من أهمية انتشار BCI الذي يُظهر توافقًا ضعيفًا بين المدخلات والمخرجات ، وأهمية اللدونة لعمل معظم BCI. يكتب أنه في حالة واجهات M1 ، من المحتمل أن يتم انتهاك ArB2 غير مكتشف يتغير لمجرد أن الحالة الأولية للنظام البيولوجي أقل تميزًا ، وبالتالي "قد يكون من الصعب اكتشاف التغييرات البلاستيكية والتنبؤ بها بسبب عدم وجود نماذج نظرية مناسبة" (315). ولكن مما هو معروف بالفعل عن الطريقة التي تعمل بها هذه التقنيات على توسيع وظائف المخ ، فلا شك في أن أي باحث غير مدرك للتغيرات البلاستيكية التي تحدثها في القشرة الحركية! يهمل Datteri أهمية اللدونة للعمل الفعلي لـ BCI. للتكرار ، من الممكن إجراء عمليات زرع الأطراف الاصطناعية لأن يتكيف الدماغ معها.

    بعد ص. 11 أعلاه ، معنى "الهوية" هنا هو وجود مكونات تشريحية وخصائص فسيولوجية لا يمكن تمييزها بشكل فعال للعلماء الذين يقارنون الأنظمة. لن يكون النظام المعدل بالبلاستيك مطابقًا ، بهذا المعنى ، للنظام الأصلي.

    لتبسيط العرض والاتساق مع بقية الورقة ، أركز على مثال Craver لـ BCI للتحكم في الحركة ، بدلاً من دراسة الحالة البديلة للحصين الاصطناعي لبيرغر. الاستنتاجات التي يستخلصها لا تختلف في المثالين.

    تصف أبعاد الاكتمال والتحقق كيف يستنسخ النموذج أو المحاكاة بشكل شامل وصادق ميزات الآلية البيولوجية. كما كتب كرافر "جميع النماذج ومحاكاة الآليات تحذف التفاصيل للتأكيد على بعض السمات الرئيسية لآلية الهدف على الآخرين. والنماذج مفيدة جزئيًا لأنها ترتكب مثل هذه الآثام "(842). سأعود إلى هذه النقطة في "الاستنتاجات والأسئلة" أدناه ، وفي هذا القسم سأركز على الأنواع الثلاثة للصلاحية.

    نظرًا لأن الموضوع يتعلق بعلم الأعصاب للأنظمة ، بدلاً من علم الأعصاب الخلوي أو الجزيئي الذي يدرس آليات الخلايا العصبية الفرعية ، فأنا أفهم "الأجزاء" الرئيسية هنا لتكون الخلايا العصبية ، بحيث يكون نموذجًا لدائرة دماغية صالحًا ميكانيكيًا ، يجب أن يكون صحيحًا تمامًا. دقيقة من الناحية التشريحية ، وتتميز بنفس عدد ونوع الخلايا العصبية كما في الآلية الفعلية.

    يتساءل المرء إذا كان Craver يقول أنه إذا حدثت إمكانية تحقيق متعددة في تجربة غير إلكترونية ، فإن هذا من شأنه أن يسبب نفس المشكلة المعرفية. في الواقع لا يمكن للمرء أن يفترض أن الآليات في علم الأعصاب للأنظمة لا تتضاعف عبر الأفراد وعبر العمر. لا يوجد دماغان متطابقان ، والدوائر التي تتحكم في التصورات والأفعال يتم نحتها وتشخيصها بواسطة علم الوراثة والخبرة. يبدو أن مشكلة الفشل في تحقيق المصداقية الآلية والظاهرة تعمم على علم الأعصاب للأنظمة غير الإلكترونية ، بناءً على تحليل كرافر. هذه النقطة قابلة للمقارنة مع النقطة المذكورة أعلاه (قسم "المرونة العصبية في التجارب غير الإلكترونية") والتي يجب أن تنطبق قيود اللدونة الخاصة بـ Datteri على التجارب غير الإلكترونية في علم الأعصاب للأنظمة ، إذا كان سيتم تطبيقها على التجارب الإلكترونية. ومع ذلك ، فإن القراءة الأكثر خيرية لـ Craver تأخذ نقطة أن ملف نطاق من المدخلات والمخرجات التي تستخدمها الطبيعة أضيق بكثير من تلك المستخدمة من قبل المهندسين ("مساحة المدخلات والمخرجات الوظيفية أكبر من مساحة المدخلات والمخرجات الوظيفية التي يمتلكها التطوير والتطور هذا البعد فرصة لاستغلالها ". ص 847). يمكن القول أن علم الأعصاب الأساسي ، في سعيه وراء المصداقية الهائلة ، يستهدف هذا الفضاء الجزئي من امتداد المدخلات والمخرجات المحتملة. وبالمثل ، يمكن القول بأن علماء أعصاب الأنظمة يعملون من أجل وصف مجموعة صغيرة من الآليات التي يستخدمها أشخاص مختلفون لوظيفة معينة.

    قد يعترض المرء على أن هذه التجربة تعمل من خلال التدخل في آلية طبيعية في الدماغ ، وليس عن طريق نمذجة الآلية الهجينة كطريق نحو نمذجة الدماغ. سأختلف مع هذا التفسير للتجربة. في حين أن BCI هي بالتأكيد أداة للتدخل في النظام الطبيعي ، فإن نقطتي المركزية هي أن النتائج من النظام الهجين تعمل بشكل مباشر إلى حد ما كأساس لفرضيات حول النظام الطبيعي. العلماء نكون نمذجة النظام الهجين ، ولكن اتضح أن الترميز في النظام الهجين لا يحتاج إلى تمييز بشكل مختلف عن النظام الطبيعي على الرغم من إعادة التنظيم القشري.

    هذه النتيجة مثيرة للجدل إلى حد ما حيث أفادت مجموعات بحثية أخرى أن BCI تعمل مع عدد أقل من الخلايا العصبية المسجلة (Serruya et al. 2002 Taylor et al.2002). ومع ذلك ، يبدو أن هناك نوعًا ما من الرموز السكانية قيد التشغيل حيث لا توجد مجموعات تدافع عن رمز خلية عصبية واحدة للتحكم الحركي.

    سأناقش هذه النتيجة في القسم التالي.

    لاحظ أنه في تعريف Craver للصلاحية الآلية ، فإن تمثيلات النموذج للأجزاء والأنشطة ، و يجب أن تكون الميزات التنظيمية متشابهة بشكل وثيق مع الآليات الفعلية. كانت النقطة الحاسمة في هذا القسم هي أن الصلاحية فيما يتعلق بالتنظيم يمكن أن تنفصل عن المزيد من الدقة التشريحية المتعلقة بالأجزاء (الخلايا العصبية) ، وبالتالي يجب تقييمها بشكل منفصل. لمزيد من المناقشة ، راجع قسم "الاستنتاجات والأسئلة" أدناه.

    فيما يلي مثال آخر من علم الأعصاب البصري (غير الآلي): Freeman et al. (2011) تقدم بيانات الرنين المغناطيسي الوظيفي الجديدة حول ضبط اتجاه الخلايا العصبية في القشرة البصرية الأولية ، والتي تمثلها من حيث التنظيم الشبكي لـ V1. لقد كتبوا أن "نتائجنا تقدم تفسيرًا آليًا" (ص 4804) لنمط النتائج. مرة أخرى ، ما يصفونه هو مبدأ تنظيمي ، وليس نموذج دائرة تفصيلي.

    انظر Craver (2010: 842) المقتبس في الملاحظة 16 أعلاه: النماذج غير المكتملة "مفيدة" في المقام الأول ، والسهو "خطايا" وليس فضائل تفسيرية. غالبًا ما تكون نماذج كيف يمكن أن تكون مفيدة من الناحية التجريبية في بناء واستكشاف فضاء الآليات الممكنة ، لكنها ليست تفسيرات كافية. على النقيض من ذلك ، تصف نماذج كيف في الواقع المكونات والأنشطة والسمات التنظيمية للآلية التي تنتج هذه الظاهرة في الواقع. إنها توضح كيف تعمل الآلية ، وليس فقط كيف يمكن أن تعمل "(2007: 112) و Datteri (2009: 308)" يتم تنقيح النماذج غير المحددة والرسومات الآلية بشكل تدريجي مع استمرار اكتشاف النموذج ، حتى يتم وضع نموذج آلية كامل . "

    من الواضح أن هذا رسم موجز للغاية لنهج بديل ، والذي سيتم تقديمه بشكل كامل في متابعة لهذه الورقة.


    مراجع

    أبوت أ (2006) بحثا عن الحاسة السادسة. طبيعة 442: 125-127

    Carmena JM ، Lebedev MA ، Crist RE ، O’Doherty JE ، Santucci DM ، Dimitrov DF ، Patil PG ، Henriquez CS ، Nicolelis MAL (2003) تعلم التحكم في واجهة بين الدماغ والآلة للوصول إلى الرئيسيات واستيعابها. بلوس بيول 1 (2): 193–208

    Carmena JM ، Lebedev MA ، Henriquez CS ، Nicolelis MAL (2005) أداء مجموعة مستقر مع تباين عصبي واحد أثناء الوصول إلى الحركات في الرئيسيات. J Neurosci 25 (46): 10712-10716

    Carrozza MC ، Cappiello G ، Micera S ، Eden BB ، Beccai L ، Cipriani C (2006) تصميم اليد الإلكترونية للإدراك والعمل. بيول سيبرن 95 (6): 629-644

    Cohen D ، Nicolelis MAL (2004) الحد من عدم اليقين في إطلاق الخلايا العصبية المفردة بواسطة المجموعات القشرية أثناء تعلم المهارات الحركية. ياء نيوروسسي 24 (12): 3574–3582

    Dario P، Carrozza MC، Guglielmelli E، Laschi C، Menciassi A، Micera S، Vecchi F (2005) Robotics باعتبارها تقنية مستقبلية وناشئة. IEEE Robot Autom Mag 12 (2): 29-45

    Datteri E ، Tamburrini G (2007) تجارب الروبوتات الحيوية لاكتشاف الآليات البيولوجية. فلسفة العلم (تحت الطبع)

    Donoghue JP، Nurmikko A، Black M، Hochberg LR (2007) التكنولوجيا المساعدة والتحكم الآلي باستخدام أنظمة الواجهة العصبية القائمة على القشرة الحركية في البشر المصابين بشلل رباعي. J فيزيول 579 (3): 603-611

    فرح إم جي (2002) القضايا الأخلاقية الناشئة في علوم الأعصاب. Nature Neurosci 5 (11): 1123-1129

    فرح إم جي (2005) أخلاقيات الأعصاب: العملي والفلسفي. اتجاهات Cogn Sci 9 (1): 34-40

    Hochberg LR، Serruya MD، Friehs GM، Mukand JA، Saleh M، Caplan AH، Branner A، Chen D، Penn R، Donoghue JP (2006) مجموعة عصبية للتحكم في الأجهزة التعويضية بواسطة إنسان مصاب بشلل رباعي. طبيعة 442: 164 - 171

    Kandel ER ، Schwartz JH ، Jessell TM (2000) مبادئ العلوم العصبية ، الطبعة الرابعة. ماكجرو هيل ميديكال ، نيويورك

    Karniel A، Kositsky M، Fleming KM، Chiappalone M، Sanguineti V، Alford ST، Mussa-Ivaldi F (2005) التحليل الحسابي في المختبر: ديناميات ومرونة نظام روبوت عصبي. J Neural Eng 2: S250 – S265

    Keiper A (2006) عصر الإلكترونيات العصبية ، The New Atlantis (Online) ، 11 ، Winter ، 2006 ، متاح على http://www.thenewatlantis.com/archive/11/keiper.htm

    Lebedev MA ، Nicolelis MAL (2006) واجهات الدماغ والآلة: الماضي والحاضر والمستقبل. الاتجاهات العصبية 29 (9): 536-546

    Lucivero F (2007) واجهات آلة الدماغ والأشخاص: القضايا الوجودية والأخلاقية ، أطروحة التخرج ، قسم الفلسفة ، جامعة بيزا

    مارينو د ، تامبوريني جي (2007) التعلم الآلي والمسؤولية البشرية. مجلة Int Rev Inform Ethics الإلكترونية (قادمة)

    Marino D ، Santoro M ، Tamburrini G (2007) تعلم الروبوتات والتفاعلات بين الإنسان والآلة: من نظرية المعرفة إلى الأخلاق التطبيقية. Art Intell Soc (هذا العدد)

    Micera S و Carrozza MC و Beccai L و Vecchi F و Dario P (2006) أنظمة إلكترونية هجينة لاستبدال وظيفة اليد. Proc IEEE 94 (9): 1752-1762

    Millán JdR، Renkens F، Mouriño J، Gerstner W (2004) التفاعل المدفوع بالدماغ. Art Intell 159 (1-2): 241-259

    Moreno JD (2006) حروب العقل. أبحاث الدماغ والدفاع الوطني ، مطبعة دانا ، واشنطن العاصمة

    Musallam S، Corneil BD، Greger B، Scherberger H، Andersen RA (2004) إشارات التحكم الإدراكي للأطراف الاصطناعية العصبية. العلوم 305 (5681): 258-262

    Mussa-Ivaldi FA ، Miller LE (2003) واجهات الدماغ والآلة: المتطلبات الحسابية والاحتياجات السريرية تلبي علم الأعصاب الأساسي. الاتجاهات العصبية 26 (6): 329-334

    Navarro X، Krueger TB، Lago N، Micera S، Stieglitz T، Dario P (2005) مراجعة نقدية للواجهات مع الجهاز العصبي المحيطي للتحكم في الأطراف الاصطناعية والأنظمة الإلكترونية الهجينة. J Peripher Nerv Syst 10: 229-258

    Pfurtscheller G ، Leeb R ، Keinrath C ، Friedman D ، Neuper C ، Guger C ، Slater M (2006) المشي من الفكر. دقة الدماغ 1071 (1): 145-152

    Porro CA ، Francescato MP ، Cettolo V ، Diamond ME ، Baraldi P ، Zuiani C ، Bazzocchi M ، di Prampero PE (1996) تنشيط المحرك الأساسي والقشرة الحسية أثناء الأداء الحركي والصور الحركية: دراسة التصوير بالرنين المغناطيسي الوظيفي. J Neurosci 16: 7688–7698

    Pylatiuk C ، Mounier S ، Kargov A ، Schulz S ، Bretthauer G (2004) التقدم المحرز في تطوير بدلة يدوية متعددة الوظائف. في: وقائع المؤتمر السنوي السادس والعشرون IEEE للهندسة في مجتمع الطب والبيولوجيا ، ص 4260-4263

    Reger BD، Fleming KM، Sanguineti V، Alford S، Mussa-Ivaldi FA (2000) ربط العقول بالروبوتات: جسم اصطناعي لدراسة الخصائص الحسابية للأنسجة العصبية. آرت لايف 6 (4): 307-24

    سالفيني بي ، لاشي سي ، داريو بي (2007) أخلاقيات الروبوتات في الروبوتات الحيوية: مناقشة دراسات الحالة. في: وقائع المؤتمر الدولي IEEE لعام 2007 حول أتمتة الروبوتات (ICRA’07) ، ورشة عمل حول أخلاقيات الروبوتات (ورقة مدعوة) ، 14 أبريل ، روما ، إيطاليا

    سانشيز جي سي ، كارمينا جي إم ، ليبيديف إم إيه ، نيكوليليس مال ، هاريس جي جي ، برينسيبي جي سي (2004) التأكيد على أهمية الخلايا العصبية لتطوير واجهات أفضل بين الدماغ والآلة. IEEE Trans Biomed Eng 51 (6): 943-953

    Santhanam G ، Ryu SI ، Yu BM ، Afshar A ، Shenoy KV (2006) واجهة حاسوبية-دماغية عالية الأداء. Nature 442: 195–198

    Santucci DM ، Kralik JD ، Lebedev MA ، Nicolelis MA (2005) تتنبأ المجموعات القشرية الأمامية والجدارية بنشاط العضلات في تجربة واحدة أثناء الوصول إلى الحركات في الرئيسيات. Eur J Neurosci 22 (6): 1529-1540

    Sasaki Y ، Nakayama Y ، Yoshida M (2002) نظام التغذية المرتدة الحسية باستخدام التيار التداخلي لليد الاصطناعية EMG. في: وقائع المؤتمر الدولي المشترك الثاني لـ EMBS ، هيوستن ، تكساس

    Serruya MD، Donoghue JP (2004) مبادئ تصميم الأطراف الصناعية الحركية العصبية داخل القشرة. في: Horch KW، Dhillon GS (eds) Neuroprosthetics: النظرية والتطبيق. مطبعة إمبريال كوليدج ، لندن ، ص 1158-1196

    غرسات القوقعة الصناعية Spencer PE، Marschark M (2003): المشكلات والآثار. في: Marschark M ، Spencer PE (محرران) كتيب أكسفورد لدراسات الصم واللغة والتعليم. مطبعة جامعة أكسفورد ، أكسفورد ، ص 434-450

    Talwar SK ، Xu S ، Hawley ES ، Weiss SA ، Moxon KA ، Chapin JK (2002) ملاحة الفئران الموجهة بواسطة جهاز التحكم عن بعد. طبيعة 417 (6884): 37-38

    Tamburrini G ، Datteri E (2005) تجارب الآلة والنمذجة النظرية: من المنهجية الإلكترونية إلى الروبوتات العصبية. العقول 15 ماخ (3-4): 335-358

    Taylor DM ، Helms Tillery SI ، Schwartz AB (2002) التحكم القشري المباشر للأجهزة العصبية الاصطناعية ثلاثية الأبعاد. Science 296: 1829–1832

    Tyler DJ، Durand DM (2002) تحفيز انتقائي وظيفي للأعصاب الطرفية باستخدام قطب كهربائي ذو واجهة مسطحة. IEEE Trans Neural Syst Rehabil Eng 10: 294-303

    Warwick K (2003) أخلاق سايبورغ ، قيم سايبورغ ، أخلاقيات سايبورغ. إعلام الأخلاق Technol 5: 131-137

    Wessberg J، Stambaugh CR، Kralik JD، Beck PD، Laubach M، Chapin J، Kim J، James Biggs S، Srinivasan MA، Nicolelis MAL (2000) التنبؤ الحقيقي لمسار اليد بواسطة مجموعات من الخلايا العصبية القشرية في الرئيسيات. Nature 408: 361–365

    Wiener N (1964) God & amp Golem، Inc. - تعليق على نقاط معينة حيث يؤثر علم التحكم الآلي على الدين ، مطبعة معهد ماساتشوستس للتكنولوجيا ، كامبريدج

    Wolpaw JR (2007) واجهات الدماغ والكمبيوتر كمسارات جديدة لإخراج الدماغ. J فيزيول 579 (3): 613-619

    Wolpaw JR ، Birbaumer N ، Mc Farland DJ ، Pfurtscheller G ، Vaughan TM (2002) واجهات الدماغ والكمبيوتر للاتصال والتحكم. Clin Neurophysiol 113: 767-791

    Zecca M، Micera S، Carrozza MC، Dario P (2002) حول التحكم في الأيدي الاصطناعية متعددة الوظائف من خلال معالجة إشارة مخطط كهربية العضل. Crit Rev Biomed Eng 30 (4-6): 459-485


    شاهد الفيديو: تحليل مكاني 9 الأمثلية و تعدد المعايير (ديسمبر 2022).