បញ្ហា (The Problem)៖ អ្នកជំងឺឆ្កួតជ្រូកប្រឈមនឹងគ្រោះថ្នាក់ដោយសារការប្រកាច់ភ្លាមៗ ដែលទាមទារឱ្យមានប្រព័ន្ធទស្សន៍ទាយមុនការប្រកាច់ដែលអាចទុកចិត្តបាន និងមានភាពជាក់លាក់ខ្ពស់ដោយផ្អែកលើការវិភាគសញ្ញាវាស់ស្ទង់រលកខួរក្បាល (EEG)។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានស្នើឡើងនូវម៉ូដែលបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតថ្មីមួយឈ្មោះថា Multi-view Convolutional Gated Recurrent Network (Mv-CGRN) រួមជាមួយនឹងយន្តការយកចិត្តទុកដាក់ (Attention mechanism) ដើម្បីវិភាគទិន្នន័យ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Mv-CGRN (Depth-wise Separable Conv + GRN + Attention) បណ្តាញ Mv-CGRN រួមជាមួយយន្តការយកចិត្តទុកដាក់ (ស្នើឡើងដោយការសិក្សានេះ) |
កាត់បន្ថយចំនួនប៉ារ៉ាម៉ែត្រទម្ងន់រហូតដល់ ៦១.៩៦% និងរក្សាបាននូវប្រសិទ្ធភាពខ្ពស់ក្នុងការទស្សន៍ទាយតាមស្ថានភាពអ្នកជំងឺម្នាក់ៗ។ | ទាមទារការបំបែកនិងស្រង់យកលក្ខណៈពិសេសច្រើនទម្រង់ (Multi-view) ពីសញ្ញា EEG ដែលស្មុគស្មាញក្នុងការរៀបចំទិន្នន័យ។ | សម្រេចបានភាពរសើប (Sensitivity) ៩៤.៥០%, អត្រាវិជ្ជមានមិនពិត (FPR) ០.១១៨/h, និង AUC ០.៩០១ ដែលមានប៉ារ៉ាម៉ែត្រត្រឹមតែ ១២១៤៤ ប៉ុណ្ណោះ។ |
| Standard Convolution + LSTM បណ្តាញ Standard Convolution រួមជាមួយ LSTM (បណ្តាញមូលដ្ឋាន) |
ផ្តល់នូវភាពរសើប និងតម្លៃ AUC ខ្ពស់បំផុតក្នុងចំណោមម៉ូដែលដែលបានប្រៀបធៀបនៅក្នុងការធ្វើតេស្តដដែល។ | មានចំនួនប៉ារ៉ាម៉ែត្រច្រើន (៣១៩២៨) ដែលធ្វើឱ្យស៊ីធនធានកុំព្យូទ័រ និងមានភាពស្មុគស្មាញក្នុងការគណនាខ្ពស់។ | សម្រេចបានភាពរសើប ៩៥.៣១%, អត្រាវិជ្ជមានមិនពិត ០.១២៩/h, និង AUC ០.៩១១ តែប្រើធនធានគណនាច្រើនជាងក្បួនដែលស្នើឡើង។ |
| SVM with Spectral Power Features ម៉ាស៊ីន Support Vector Machine (SVM) ប្រើប្រាស់ថាមពលវិសាលគម |
មានប្រសិទ្ធភាពខ្ពស់ខ្លាំង និងមានអត្រាប្រកាសអាសន្នមិនពិតទាបបំផុត។ | ទាមទារការជ្រើសរើសលក្ខណៈពិសេសដោយដៃ (Manual Selection) សម្រាប់អ្នកជំងឺម្នាក់ៗ ដែលពិបាកក្នុងការយកទៅអនុវត្តទូទៅ (Generalization)។ | សម្រេចបានភាពរសើប ៩៨.៦៨% និងអត្រាវិជ្ជមានមិនពិត ០.០៤៦/h តែបានធ្វើតេស្តត្រឹមអ្នកជំងឺ ១៧ នាក់ប៉ុណ្ណោះ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់ផ្ទាល់ពីផ្នែករឹង (Hardware) ក៏ដោយ ម៉ូដែលនេះត្រូវបានរចនាឡើងពិសេសដើម្បីកាត់បន្ថយធនធានគណនា (ប្រើប៉ារ៉ាម៉ែត្រតិចជាងមុន ៦១.៩៦%) ដែលស័ក្តិសមសម្រាប់ឧបករណ៍ខ្នាតតូច។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យ CHB-MIT Scalp EEG ពីសហរដ្ឋអាមេរិក ដែលមានត្រឹមតែអ្នកជំងឺកុមារចំនួន ២៤ ករណីប៉ុណ្ណោះ។ សំណុំទិន្នន័យនេះមិនតំណាងឱ្យប្រជាជនពេញវ័យ ឬភាពចម្រុះនៃអ្នកជំងឺនៅកម្ពុជានោះទេ ដែលអាចបណ្តាលឱ្យម៉ូដែលមិនមានប្រសិទ្ធភាពពេញលេញ (Data Bias) ប្រសិនបើមិនមានការប្រមូលទិន្នន័យបន្ថែមពីប្រជាជនកម្ពុជាដើម្បីបង្ហាត់កែតម្រូវឡើងវិញ។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់ក្នុងការអភិវឌ្ឍប្រព័ន្ធតាមដានអ្នកជំងឺឆ្កួតជ្រូកក្នុងតម្លៃទាបនៅកម្ពុជា ដោយសារម៉ូដែលនេះត្រូវបានកាត់បន្ថយទំហំដើម្បីងាយស្រួលដំណើរការ។
ជារួម បច្ចេកវិទ្យានេះមានភាពជាក់ស្តែងក្នុងការជួយសង្គ្រោះអ្នកជំងឺពីការប្រកាច់ភ្លាមៗ ប៉ុន្តែវាត្រូវការការវិនិយោគលើផ្នែករឹងខ្នាតតូច (Wearable EEG Devices) ដើម្បីឱ្យអ្នកជំងឺអាចយកទៅតាមខ្លួន និងប្រើប្រាស់នៅផ្ទះបាន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Electroencephalograms (EEG) | ការវាស់ស្ទង់រលកអគ្គិសនីនៃខួរក្បាលដោយប្រើអេឡិចត្រូតបិទលើស្បែកក្បាល ដើម្បីតាមដានសកម្មភាពខួរក្បាលនិងរកមើលភាពមិនប្រក្រតី។ | ដូចជាការដាក់ម៉ាស៊ីនថតសំឡេងនៅលើក្បាលដើម្បីស្តាប់ការសន្ទនាឆ្លងឆ្លើយគ្នារបស់កោសិកាខួរក្បាល។ |
| Local Fractal Detrended Fluctuation Analysis (L-DFA) | វិធីសាស្ត្រគណិតវិទ្យាសម្រាប់វិភាគរចនាសម្ព័ន្ធនិងបម្រែបម្រួលនៃសញ្ញាជីវសាស្រ្តតាមពេលវេលា ដើម្បីទាញយកលក្ខណៈពិសេសដែលបញ្ជាក់ពីការផ្លាស់ប្តូរមុនពេលប្រកាច់។ | ដូចជាការប្រើកែវពង្រីកដើម្បីពិនិត្យមើលភាពរអិលខុសប្រក្រតីនៅលើផ្ទៃផ្លូវមុនពេលមានគ្រោះថ្នាក់ចរាចរណ៍កើតឡើង។ |
| Synchronization Modularity | ការវាស់ស្ទង់កម្រិតនៃទំនាក់ទំនង និងការធ្វើការរួមគ្នារវាងតំបន់ផ្សេងៗនៃខួរក្បាល ដោយផ្អែកលើការធ្វើសមកាលកម្មនៃរលកសញ្ញាអគ្គិសនី។ | ដូចជាការវាស់ស្ទង់មើលថាតើសមាជិកក្នុងក្រុមតន្រ្តីកំពុងលេងឧបករណ៍តន្រ្តីស៊ីចង្វាក់គ្នាបានល្អកម្រិតណានៅក្នុងពេលតែមួយ។ |
| Depth-wise Separable Convolution | បច្ចេកទេសក្នុងបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលបំបែកការគណនាស្មុគស្មាញជាពីរដំណាក់កាល ដើម្បីកាត់បន្ថយចំនួនប៉ារ៉ាម៉ែត្រនិងការប្រើប្រាស់ធនធានកុំព្យូទ័រ ដោយមិនធ្វើឱ្យបាត់បង់ប្រសិទ្ធភាព។ | ដូចជាការបែងចែកការងារកាត់ដេរជាពីរដំណាក់កាល ដោយម្នាក់ឯកទេសខាងកាត់ក្រណាត់ ហើយម្នាក់ទៀតឯកទេសខាងដេរ ដែលជួយសន្សំពេលវេលានិងកម្លាំង។ |
| Gated Recurrent Unit (GRU) | ប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលមានសមត្ថភាពចងចាំព័ត៌មានពីអតីតកាល និងប្រើប្រាស់ទ្វារ (Gates) ដើម្បីសម្រេចចិត្តថាតើព័ត៌មានណាគួររក្សាទុក ឬលុបចោលសម្រាប់ការទស្សន៍ទាយលទ្ធផលបន្ទាប់។ | ដូចជាសិស្សម្នាក់ដែលអានសៀវភៅហើយចេះកត់ចំណាំតែចំណុចសំខាន់ៗទុក និងបំភ្លេចចោលអត្ថបទដែលមិនសំខាន់ ដើម្បីងាយស្រួលប្រឡង។ |
| Attention Mechanism | យន្តការគណនាដែលជួយឱ្យម៉ូដែល AI អាចថ្លឹងទម្ងន់ និងផ្តោតការយកចិត្តទុកដាក់តែទៅលើទិន្នន័យឬលក្ខណៈពិសេសណាដែលសំខាន់បំផុតសម្រាប់ការធ្វើចំណាត់ថ្នាក់។ | ដូចជាការប្រើប្រាស់ភ្លើងពិលបញ្ចាំងផ្តោតតែទៅលើមុខសញ្ញាសំខាន់នៅក្នុងបន្ទប់ងងឹត ដើម្បីងាយស្រួលរកវត្ថុដែលយើងចង់បានជាជាងមើលរាយប៉ាយពេញបន្ទប់។ |
| Wavelet Packet Transform (WPT) | បច្ចេកទេសបំប្លែងសញ្ញាដែលបំបែករលកសញ្ញា EEG ដែលស្មុគស្មាញ ទៅជារលកសញ្ញាតូចៗតាមកម្រិតប្រេកង់ផ្សេងៗគ្នា ដើម្បីងាយស្រួលទាញយកទិន្នន័យ។ | ដូចជាការបំបែកពន្លឺព្រះអាទិត្យតាមរយៈកញ្ចក់ព្រីស (Prism) ឱ្យទៅជាពណ៌ឥន្ទធនូផ្សេងៗគ្នា ដើម្បីងាយស្រួលសង្កេតមើលពណ៌នីមួយៗដាច់ដោយឡែកពីគ្នា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
