DOI: https://doi.org/10.25303/213rjbt1350143
تاريخ النشر: 2026-01-31
المؤلف: Ashutosh Kumar Singh وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه الدراسة بنية هجينة للتعلم الآلي تستخدم شبكة كولموغوروف-أرنولد (KAN) للكشف التلقائي عن نوبات الصرع من بيانات تخطيط الدماغ الكهربائي (EEG). تتناول الدراسة قيود تفسير تخطيط الدماغ الكهربائي التقليدي، الذي يعتمد على أطباء الأعصاب المدربين ويكون عرضة للتغير. من خلال جمع وتوضيح تسجيلات تخطيط الدماغ الكهربائي متعددة القنوات بشكل منهجي، أنشأ المؤلفون مجموعة بيانات لتصنيف ثنائي لحالات النوبة وغير النوبة. خضعت البيانات لعمليات معالجة مسبقة، بما في ذلك تقسيمها إلى نوافذ زمنية ثابتة الطول وتحويلها إلى فضاء ميزات طيفية بناءً على القوة النسبية لشرائح ترددات تخطيط الدماغ الكهربائي (دلتا، ثيتا، ألفا، بيتا، وغاما). تم تدريب شبكة KAN لربط هذه الميزات بنشاط النوبة، مع استخدام تحسين خسارة مرجحة لمعالجة عدم توازن الفئات.
تشير النتائج إلى أن نموذج KAN يتفوق على الأساليب التقليدية للتعلم الآلي، مثل آلات الدعم الناقل (SVM)، والغابات العشوائية، والشبكات العصبية الأمامية، من حيث الدقة التنبؤية، والدقة، والاسترجاع. لا يحقق إطار عمل KAN دقة متقدمة فحسب، بل يحافظ أيضًا على تعقيد حسابي منخفض، مما يجعله مناسبًا للتطبيقات السريرية. تؤكد الدراسة على قابلية تفسير النموذج وقابليته للتكيف، مما يجعله أداة واعدة للذكاء الاصطناعي البيولوجي القابل للتفسير. ستركز الأعمال المستقبلية على تعزيز التعميم عبر الموضوعات، والتكيف عبر الإنترنت، والتكامل متعدد الوسائط لتطوير حلول لمراقبة النوبات في الوقت الحقيقي.
مقدمة
تسلط مقدمة الورقة الضوء على الصرع كاضطراب عصبي مزمن يتميز بنوبات متكررة بسبب نشاط عصبي غير طبيعي. وفقًا لمنظمة الصحة العالمية (WHO، 2023)، يتأثر حوالي 50 مليون فرد على مستوى العالم بالصرع، مما يجعله واحدًا من أكثر الحالات العصبية انتشارًا وقلقًا كبيرًا للصحة العامة. ومن الجدير بالذكر أن حوالي 80% من المصابين بالصرع يعيشون في دول ذات دخل منخفض ومتوسط (LMICs)، حيث الوصول إلى الموارد التشخيصية والرعاية المتخصصة محدود بشدة.
تُقدّر نسبة حدوث الصرع بـ 50-70 حالة لكل 100,000 شخص سنويًا، مع انتشار مدى الحياة يتراوح من 0.6% إلى 1%، متأثرًا بعوامل بيئية واجتماعية واقتصادية متنوعة. على الرغم من التقدم في العلاجات المضادة للصرع، لا يزال حوالي 30% من المرضى مقاومين للعلاج، مما يبرز الحاجة الملحة لتحسين تقنيات التشخيص واستراتيجيات التدخل المبكر لتعزيز نتائج المرضى.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتفصيل المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، لضمان إمكانية تكرار التجارب. كما يصف قسم الطرق البروتوكولات المتبعة، بما في ذلك أي تحليلات إحصائية تم إجراؤها، وأحجام العينات، والضوابط المنفذة للتحقق من النتائج.
بالإضافة إلى ذلك، قد يسلط القسم الضوء على أي تقنيات أو منهجيات محددة كانت حاسمة للبحث، مثل الاختبارات، وتقنيات التصوير، أو النماذج الحسابية. من خلال تقديم نظرة شاملة على المواد والطرق، يهدف هذا القسم إلى تسهيل فهم الإطار التجريبي ودعم موثوقية النتائج التي تم الحصول عليها.
نتائج
أظهر الإطار الهجين القائم على شبكة كولموغوروف-أرنولد (KAN) أداءً استثنائيًا في تصنيف مقاطع تخطيط الدماغ الكهربائي (EEG) الخاصة بالنوبات وغير النوبات، محققًا دقة إجمالية بنسبة 97.3%، ودقة بنسبة 95.8%، واسترجاع بنسبة 96.4%، ودرجة F1 بنسبة 96.1% على مجموعة بيانات اختبار مستقلة. تشير قيمة ROC-AUC للنموذج البالغة 0.957 إلى قدرة تمييز قوية، مع تحليل مصفوفة الارتباك يكشف عن معدل إيجابي حقيقي مرتفع وإنذارات كاذبة قليلة، مما يبرز موثوقيته للكشف السريري عن النوبات. يقوم نموذج KAN بتفكيك إشارات تخطيط الدماغ الكهربائي الخام إلى ميزات طيفية قابلة للتفسير، مما يعزز حساسيته للتحولات الطفيفة التي قد تسبق أحداث النوبة.
أظهرت ديناميات التدريب تحسينًا مستقرًا مع تقارب سريع في حوالي 50 دورة، متفوقًا بشكل كبير على الشبكات العميقة التقليدية التي تتطلب عادةً أكثر من 200 دورة. سلطت التقييمات المقارنة ضد شبكة عصبية تلافيفية (CNN) خط الأساس الضوء على قدرات التصنيف المتفوقة لإطار عمل KAN، حيث حقق دقة بنسبة 97.4% مقارنةً بـ 83.2% لشبكة CNN. نجح نموذج KAN في تحديد أنماط النوبات الشائعة والنادرة مع الحفاظ على تعقيد حسابي منخفض وقابلية تفسير عالية، مع تقليل عدد المعلمات مما يؤدي إلى استدلال أسرع واستهلاك طاقة أقل، مما يجعله مناسبًا لأنظمة مراقبة تخطيط الدماغ الكهربائي المحمولة.
مناقشة
تسلط المناقشة الضوء على العبء الكبير للصرع في الهند، حيث يتأثر حوالي 10-12 مليون فرد، وتؤكد على الفجوة الحرجة في العلاج، خاصة في المناطق الريفية. تفاقم ندرة أطباء الأعصاب والوصول المحدود إلى مراقبة تخطيط الدماغ الكهربائي على المدى الطويل التحديات في تشخيص وإدارة الصرع. تؤكد الورقة على ضرورة وجود أدوات تشخيصية فعالة من حيث التكلفة، وقابلة للتفسير، وآلية يمكن أن empower مقدمي الرعاية الصحية غير المتخصصين، خاصة في البيئات ذات الموارد المحدودة. تظل مراقبة تخطيط الدماغ الكهربائي المستمرة هي المعيار الذهبي للكشف عن النوبات، ولكن التفسير اليدوي لبيانات تخطيط الدماغ الكهربائي الواسعة يتطلب جهدًا كبيرًا وعرضة للأخطاء، مما يستدعي تطوير أنظمة آلية.
تقدم الدراسة إطار عمل هجين قائم على شبكة كولموغوروف-أرنولد (KAN) يدمج بيانات تخطيط الدماغ الكهربائي وغير تخطيط الدماغ الكهربائي للكشف عن النوبات. يستفيد هذا النموذج من نظرية تمثيل كولموغوروف-أرنولد لتفكيك العلاقات المعقدة بين ميزات تخطيط الدماغ الكهربائي وحالات النوبة إلى مكونات قابلة للتفسير، مما يعزز الكفاءة الحسابية والشفافية. يظهر إطار عمل KAN حساسية وقابلية تفسير متفوقة مقارنةً بأساليب التعلم الآلي والتعلم العميق التقليدية، مما يعالج الحاجة الملحة لأنظمة كشف نوبات موثوقة وقابلة للتفسير. تشير النتائج إلى أن نموذج KAN يمكن أن يحسن بشكل كبير من سير العمل السريري من خلال توفير تنبيهات في الوقت الحقيقي وتعزيز ثقة الأطباء من خلال عملية اتخاذ القرار الشفافة، مما يسهم في تحسين نتائج المرضى في إدارة الصرع.
القيود
تعترف الدراسة بعدة قيود على الرغم من نتائجها الواعدة. مجموعة البيانات المستخدمة، على الرغم من أنها موثوقة سريريًا، إلا أنها ذات حجم معتدل، مما يشير إلى الحاجة إلى أبحاث مستقبلية لتضمين قواعد بيانات تخطيط الدماغ الكهربائي (EEG) متعددة المراكز الأكبر لتحسين قوة النتائج. علاوة على ذلك، لا يزال تنفيذ البث المباشر في الوقت الحقيقي وتحسين الأجهزة، باستخدام منصات مثل FPGA أو Raspberry Pi، في مراحل التطوير.
بالإضافة إلى ذلك، يُقترح استكشاف المدخلات متعددة الوسائط، بما في ذلك تخطيط القلب الكهربائي (ECG) وتخطيط العضلات الكهربائي (EMG)، كوسيلة لتعزيز تمييز حالات النوبة. قد يؤدي معالجة هذه القيود إلى تحسين فعالية وقابلية تطبيق المنهجيات المقترحة في الإعدادات السريرية بشكل كبير.
DOI: https://doi.org/10.25303/213rjbt1350143
Publication Date: 2026-01-31
Author(s): Ashutosh Kumar Singh et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research presents a hybrid machine-learning architecture utilizing a Kolmogorov-Arnold Network (KAN) for the automatic detection of epileptic seizures from EEG data. The study addresses the limitations of conventional EEG interpretation, which relies on trained neurologists and is subject to variability. By systematically collecting and annotating multi-channel EEG recordings, the authors established a dataset for binary classification of seizure and non-seizure states. The data underwent preprocessing, including segmentation into fixed-length time windows and transformation into a spectral feature space based on the relative power of EEG frequency bands (delta, theta, alpha, beta, and gamma). The KAN was trained to correlate these features with seizure activity, employing weighted loss optimization to address class imbalance.
The findings indicate that the KAN model outperforms traditional machine-learning approaches, such as Support Vector Machines (SVM), Random Forest, and feedforward neural networks, in terms of predictive accuracy, precision, and recall. The KAN framework not only achieves state-of-the-art accuracy but also maintains low computational complexity, making it suitable for clinical applications. The study emphasizes the model’s interpretability and adaptability, positioning it as a promising tool for explainable biomedical AI. Future work will focus on enhancing cross-subject generalization, online adaptation, and multimodal integration to develop real-time seizure-monitoring solutions.
Introduction
The introduction of the paper highlights epilepsy as a chronic neurological disorder characterized by recurrent seizures due to abnormal neuronal activity. According to the World Health Organization (WHO, 2023), approximately 50 million individuals globally are affected by epilepsy, making it one of the most prevalent neurological conditions and a major public health concern. Notably, around 80% of those with epilepsy reside in low and middle-income countries (LMICs), where access to diagnostic resources and specialized care is severely limited.
The incidence of epilepsy is estimated at 50-70 cases per 100,000 people annually, with a lifetime prevalence ranging from 0.6% to 1%, influenced by various environmental and socioeconomic factors. Despite advancements in antiepileptic therapies, about 30% of patients remain refractory to treatment, highlighting an urgent need for improved diagnostic techniques and early intervention strategies to enhance patient outcomes.
Methods
The “Material and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility of the experiments. The methods section also describes the protocols followed, including any statistical analyses performed, sample sizes, and controls implemented to validate the findings.
Additionally, the section may highlight any specific techniques or methodologies that were critical to the research, such as assays, imaging techniques, or computational models. By providing a comprehensive overview of the materials and methods, this section aims to facilitate understanding of the experimental framework and support the reliability of the results obtained.
Results
The proposed Kolmogorov-Arnold network (KAN)-based hybrid framework exhibited exceptional performance in classifying seizure and non-seizure EEG segments, achieving an overall accuracy of 97.3%, precision of 95.8%, recall of 96.4%, and an F1-score of 96.1% on an independent test dataset. The model’s ROC-AUC value of 0.957 indicates strong discriminative capability, with confusion-matrix analysis revealing a high true-positive rate and minimal false alarms, emphasizing its reliability for clinical seizure detection. The KAN model effectively decomposes raw EEG signals into interpretable spectral features, enhancing its sensitivity to subtle transitions that may precede seizure events.
Training dynamics demonstrated stable optimization with rapid convergence within approximately 50 epochs, significantly outperforming traditional deep networks that typically require over 200 epochs. Comparative evaluations against a baseline convolutional neural network (CNN) highlighted the KAN framework’s superior classification capabilities, achieving an accuracy of 97.4% compared to the CNN’s 83.2%. The KAN model successfully identified both frequent and rare seizure patterns while maintaining low computational complexity and high interpretability, with a reduced parameter count leading to faster inference and lower energy consumption, making it suitable for portable EEG-monitoring systems.
Discussion
The discussion highlights the significant burden of epilepsy in India, where approximately 10-12 million individuals are affected, and underscores the critical treatment gap, particularly in rural areas. The scarcity of neurologists and limited access to long-term EEG monitoring exacerbate the challenges in diagnosing and managing epilepsy. The paper emphasizes the necessity for cost-effective, interpretable, and automated diagnostic tools that can empower non-specialist healthcare providers, especially in resource-constrained settings. Continuous EEG monitoring remains the gold standard for seizure detection, but the manual interpretation of extensive EEG data is labor-intensive and prone to errors, necessitating the development of automated systems.
The study introduces a Kolmogorov-Arnold Network (KAN)-based hybrid framework that integrates EEG and non-EEG data for seizure detection. This model leverages the Kolmogorov-Arnold representation theorem to decompose complex relationships between EEG features and seizure states into interpretable components, thus enhancing computational efficiency and transparency. The KAN framework demonstrates superior sensitivity and interpretability compared to traditional machine learning and deep learning approaches, addressing the pressing need for reliable and explainable seizure detection systems. The findings suggest that the KAN model can significantly improve clinical workflows by providing real-time alerts and fostering clinician trust through its transparent decision-making process, ultimately contributing to better patient outcomes in epilepsy management.
Limitations
The study acknowledges several limitations despite its promising results. The dataset utilized, while clinically validated, is of moderate size, indicating a need for future research to incorporate larger, multi-center electroencephalogram (EEG) databases to improve the robustness of findings. Furthermore, the implementation of real-time streaming and hardware optimization, potentially using platforms such as FPGA or Raspberry Pi, is still in development stages.
Additionally, the exploration of multimodal inputs, including electrocardiogram (ECG) and electromyogram (EMG), is suggested as a means to enhance the discrimination of seizure states. Addressing these limitations could significantly advance the effectiveness and applicability of the proposed methodologies in clinical settings.