Distanzbasierte zeitliche Ähnlichkeitsmaße für adaptive Kanalwahl in multimodalen EEG-fNIRS BCI‑Frameworks

Den Gehirnen helfen, mit Maschinen zu sprechen

Für Menschen, die sich nicht bewegen oder nicht sprechen können, versprechen Brain‑Computer‑Interfaces eine Möglichkeit, allein mit Gedanken zu kommunizieren. Rohdaten aus dem Gehirn in verlässliche Steuerbefehle zu verwandeln, ist jedoch wie ein Gespräch in einem lauten Stadion zu führen: Es gibt viele Daten und noch mehr Störgeräusche. Diese Studie stellt eine einfache, aber wirkungsvolle Methode vor, diese Datenströme zu verschlanken, damit Computer schneller reagieren können, ohne zu verlieren, was das Gehirn auszudrücken versucht.

Warum zu viele Kabel verlangsamen

Moderne Brain‑Computer‑Systeme verwenden häufig zwei Arten nichtinvasiver Sensoren auf der Kopfhaut. Die Elektroenzephalographie (EEG) zeichnet winzige elektrische Impulse von Neuronen auf, während die funktionelle Nahinfrarotspektroskopie (fNIRS) Blut‑ und Sauerstoffveränderungen verfolgt, die mit Hirnaktivität verknüpft sind. Zusammen bilden sie ein „hybrides“ System, das genauer ist als jede einzelne Modalität, aber einen Preis hat: Dutzende Sensoren über lange Aufnahmezeiten erzeugen riesige, schwer handhabbare Datensätze. Per Trial‑and‑Error das beste Sensorsubset zu finden würde astronomisch viele Kombinationen erfordern — weit mehr, als heutige Rechner in Echtzeit bewältigen können.

Erkennen, wann benachbarte Signale dasselbe sagen

Die Autoren gehen dieses Problem mit einer intuitiven Idee an: Wenn zwei benachbarte Sensoren am Kopf im Zeitverlauf nahezu dasselbe berichten, braucht man nicht beide. Sie paaren nahegelegene Elektroden und messen mathematisch, wie unterschiedlich sich ihre zeitvariierenden Signale verhalten. Wenn zwei Kanäle stark auseinandergehen, werden beide beibehalten, weil sie wahrscheinlich unterschiedliche Informationen tragen. Sind sie sehr ähnlich, wird einer als redundant verworfen. Um die Trennlinie zu ziehen, vergleicht das Team die Distanz jedes Paars mit einem Gesamtschwellwert, der entweder aus dem Mittelwert (Mean) oder aus dem Zentralwert (Median) aller Distanzen berechnet wird.

Die Abkürzung bei unterschiedlichen mentalen Aufgaben testen

Um zu prüfen, ob diese Abkürzung wirklich funktioniert, wendeten die Forschenden sie auf zwei offene Datensätze an. Einer enthielt EEG‑ und fNIRS‑Aufnahmen, während Freiwillige sich vorstellten, ihre Hände zu bewegen, oder mentale Rechenaufgaben lösten. Der andere war eine klassische „Speller“-Aufgabe, bei der Nutzer sich auf blinkende Buchstaben konzentrieren, sodass eine charakteristische Hirnwelle, die P300‑Antwort, ihre Wahl verrät. Nach der Signalbereinigung extrahierte das Team einfache statistische Merkmale aus jedem Kanal oder verwendete kurze Zeitfenster direkt und trainierte dann drei bekannte Machine‑Learning‑Modelle zur Klassifizierung der Aufgaben. Die Leistung wurde mit und ohne ihre Kanalkürzungs‑Methode verglichen.

Wichtige Hirnareale erhalten

Die Methode reduzierte die Anzahl der Kanäle bei allen Aufgaben um mehr als die Hälfte: etwa 15–17 von 30 EEG‑Kanälen und etwa 18–24 von 36 fNIRS‑Kanälen im ersten Datensatz sowie nur etwa 31–40 von 64 EEG‑Kanälen beim Speller. Entscheidenderweise blieb die Genauigkeit gleich oder verbesserte sich sogar. Beim Speller erreichte die Genauigkeit mit einem schlanken Klassifikator etwa 94 %; bei hybriden Rechenaufgaben stieg sie auf rund 73 %. Als das Team aufzeichnete, wie oft jeder Sensor erhalten blieb, korrespondierten die überlebenden Kanäle mit den Erwartungen der Hirnwissenschaft: motorische Areale bei vorgestellter Bewegung, präfrontale Regionen bei Rechenaufgaben und parietal‑okzipitale Zonen für die P300‑Antwort. Anders gesagt, das Algorithmus zielte automatisch auf funktional wichtige Regionen ab, ohne dass ihm deren Lage vorgegeben wurde.

Die richtige Art, mit Rauschen umzugehen

Eine wichtige Nuance der Studie ist, wie der Schwellenwert gesetzt wird. Die Verwendung der Median‑Distanz, die weniger von Ausreißern beeinflusst wird, führte häufig zu stabileren und teils höheren Genauigkeiten als der Mittelwert, besonders bei verrauschten oder anspruchsvolleren Aufgaben wie mentaler Arithmetik und dem P300‑Speller. Statistische Tests zeigten, dass diese Wahl nicht kosmetisch ist: Für diese Aufgaben übertrafen medianbasierte Schwellenwerte deutlich die meanbasierten, während bei einfacheren Bewegungsvorstellungen der Unterschied gering war. Gleichzeitig konnten Modelle mit den reduzierten Kanalsätzen Entscheidungen in etwa einem Zehntel bis einem Fünftel einer Sekunde treffen, eine dramatische Beschleunigung gegenüber mehreren Sekunden, wenn alle Kanäle einbezogen wurden.

Was das für zukünftige Gehirninterfaces bedeutet

Einfach ausgedrückt zeigt diese Arbeit, dass man in einem hybriden EEG–fNIRS‑System mehr als die Hälfte der Sensoren verwerfen, die informativsten beibehalten und dennoch die ursprüngliche Genauigkeit erreichen oder sogar übertreffen kann — und dabei die Reaktionszeit in einen echten Echtzeitbereich schrumpfen lässt. Indem sie auf einfache Distanzberechnungen statt auf aufwändige Optimierungsschemata oder tiefes Lernen setzt, ist das vorgeschlagene Framework leichter auf tragbaren Geräten mit begrenzter Rechenleistung implementierbar. Für künftige Brain‑Computer‑Interfaces, die das Labor verlassen und in Haushalte, Kliniken oder sogar tragbare Pflaster gelangen sollen, könnte diese Form der intelligenten Kanalkürzung ein Schlüssel sein, um gedankengesteuerte Technologie praktisch und breit zugänglich zu machen.

Zitation: Alhudhaif, A. Distance-based temporal similarity metrics for adaptive channel selection in multi-modal EEG-fNIRS BCI frameworks. Sci Rep 16, 13702 (2026). https://doi.org/10.1038/s41598-026-44052-z

Schlüsselwörter: Brain‑Computer‑Interface, EEG, fNIRS, Kanalwahl, P300‑Speller