Métriques de similarité temporelle basées sur la distance pour la sélection adaptative de canaux dans des cadres BCI multimodaux EEG-fNIRS

Aider les cerveaux à parler aux machines

Pour les personnes qui ne peuvent ni bouger ni parler, les interfaces cerveau‑ordinateur promettent un moyen de communiquer uniquement par la pensée. Mais transformer des signaux bruts du cerveau en commandes fiables revient à tenir une conversation dans un stade bondé : il y a beaucoup de données et encore plus de bruit. Cette étude présente une manière simple mais efficace de réduire ces flux de données pour que les ordinateurs répondent plus vite, sans perdre ce que le cerveau cherche à exprimer.

Pourquoi trop de fils ralentissent

Les systèmes cerveau‑ordinateur modernes utilisent souvent deux types de capteurs non invasifs placés sur le cuir chevelu. L’électroencéphalographie (EEG) enregistre de minuscules impulsions électriques provenant des neurones, tandis que la spectroscopie fonctionnelle proche infrarouge (fNIRS) suit les variations de sang et d’oxygène liées à l’activité cérébrale. Ensemble, ils forment un système « hybride » plus précis que chaque modalité prise isolément, mais avec un coût : des dizaines de capteurs sur de longues durées d’enregistrement produisent des jeux de données énormes et difficiles à manipuler. Chercher par essai‑erreur le meilleur sous‑ensemble de capteurs reviendrait à tester un nombre astronomique de combinaisons, bien au‑delà de ce que les ordinateurs actuels peuvent traiter en temps réel.

Voir quand les signaux voisins disent la même chose

Les auteurs abordent ce problème par une idée intuitive : si deux capteurs voisins sur la tête racontent pratiquement la même histoire au fil du temps, il n’est pas nécessaire de conserver les deux. Ils forment des paires d’électrodes proches et mesurent mathématiquement à quel point leurs signaux temporels diffèrent. Si deux canaux divergent fortement, les deux sont conservés car ils portent probablement des informations distinctes. S’ils sont très similaires, l’un est éliminé comme redondant. Pour décider où tracer la limite, l’équipe compare la distance de chaque paire à un seuil global, calculé soit à partir de la valeur moyenne (Mean), soit à partir de la valeur médiane (Median) de l’ensemble des distances.

Tester le raccourci sur différentes tâches mentales

Pour vérifier l’efficacité de ce raccourci, les chercheurs l’ont appliqué à deux jeux de données publics. L’un contenait des enregistrements EEG et fNIRS pendant que des volontaires imaginaient bouger leurs mains ou résolvaient des problèmes d’arithmétique mentale. L’autre était une tâche classique de « speller », où les utilisateurs se concentrent sur des lettres clignotantes afin qu’une onde cérébrale distincte, la réponse P300, révèle leur choix. Après nettoyage des signaux, l’équipe a extrait des caractéristiques statistiques simples de chaque canal, ou utilisé directement de courtes fenêtres temporelles, puis entraîné trois outils d’apprentissage automatique bien connus pour classer les tâches. Ils ont comparé les performances avec et sans leur méthode de réduction de canaux.

Garder les zones cérébrales importantes

La méthode a réduit le nombre de canaux de plus de moitié pour toutes les tâches : environ 15–17 sur 30 canaux EEG et environ 18–24 sur 36 canaux fNIRS dans le premier jeu de données, et seulement environ 31–40 sur 64 canaux EEG pour le speller. Surtout, la précision est restée identique ou s’est même améliorée. Pour le speller, la précision a atteint environ 94 % avec un classifieur léger ; pour les tâches arithmétiques hybrides, elle a grimpé à environ 73 %. Lorsque l’équipe a tracé la fréquence de conservation de chaque capteur, les canaux retenus correspondaient aux prédictions des neurosciences : zones motrices pour l’imagerie de mouvement, régions préfrontales pour l’arithmétique et zones pariéto‑occipitales pour la réponse P300. Autrement dit, l’algorithme ciblait automatiquement des régions fonctionnellement importantes sans qu’on lui indique où elles se trouvent.

Choisir la bonne façon de gérer le bruit

Un point clé de l’étude est la façon de fixer le seuil. L’utilisation de la distance médiane, moins influencée par les valeurs extrêmes, a souvent donné des résultats plus stables et parfois une précision supérieure à l’utilisation de la moyenne, en particulier pour les tâches bruyantes ou exigeantes comme l’arithmétique mentale et le speller P300. Les tests statistiques ont montré que ce choix n’est pas cosmétique : pour ces tâches, les seuils basés sur la médiane ont clairement surpassé ceux basés sur la moyenne, tandis que pour l’imagerie motrice plus simple la différence était mineure. Parallèlement, les modèles utilisant les ensembles de canaux réduits pouvaient prendre des décisions en environ un dixième à un cinquième de seconde, un gain de vitesse spectaculaire comparé aux plusieurs secondes nécessaires lorsque tous les canaux étaient inclus.

Ce que cela signifie pour les interfaces cérébrales futures

Concrètement, ce travail montre qu’il est possible d’écarter plus de la moitié des capteurs d’un système EEG–fNIRS hybride, de conserver les plus informatifs et d’atteindre ou dépasser la précision initiale — tout en réduisant le temps de réaction à une véritable plage en temps réel. En s’appuyant sur des calculs de distance simples plutôt que sur des schémas d’optimisation lourds ou l’apprentissage profond, le cadre proposé est plus facile à implémenter sur des appareils portables à puissance limitée. Pour les futures interfaces cerveau‑ordinateur destinées à sortir des laboratoires et à entrer dans les foyers, les cliniques ou même des patchs portables, ce type d’élagage intelligent des canaux pourrait être une étape clé pour rendre la technologie contrôlée par la pensée à la fois pratique et largement accessible.

Citation: 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

Mots-clés: interface cerveau-ordinateur, EEG, fNIRS, sélection de canaux, P300 speller