Afstandsgebaseerde temporele gelijkenheidsmetingen voor adaptieve kanaalselectie in multimodale EEG-fNIRS BCI-kaders

Helpen dat hersenen met machines praten

Voor mensen die niet kunnen bewegen of spreken, bieden brain–computer interfaces een manier om uitsluitend met hun gedachten te communiceren. Maar ruwe hersensignalen omzetten in betrouwbare bedieningscommando’s is alsof je een gesprek voert in een vol stadion: er is veel data en nog meer ruis. Deze studie presenteert een eenvoudige maar krachtige methode om die datastromen te versmallen, zodat computers sneller kunnen reageren zonder te verliezen wat de hersenen willen overbrengen.

Waarom te veel draden alles vertraagt

Moderne brain–computer-systemen gebruiken vaak twee soorten niet-invasieve sensoren op de schedel. Elektro-encefalografie (EEG) registreert zwakke elektrische pulsen van neuronen, terwijl functionele nabij-infraroodspectroscopie (fNIRS) bloed- en zuurstofveranderingen volgt die samenhangen met hersenactiviteit. Samen vormen ze een “hybride” systeem dat nauwkeuriger is dan elk van beide afzonderlijk, maar dat brengt een prijs met zich mee: tientallen sensoren over lange opnamesessies produceren enorme, onhandige datasets. Het zoeken naar de beste subset sensoren door te proefondervinden zou astronomisch veel combinaties vereisen — ver buiten wat huidige computers in real time aankunnen.

Zien wanneer naburige signalen hetzelfde zeggen

De auteurs pakken dit probleem aan met een intuïtief idee: als twee naburige sensoren op het hoofd over de tijd vrijwel hetzelfde verhaal vertellen, heb je er niet allebei nodig. Ze koppelen nabijgelegen elektroden en meten wiskundig hoe verschillend hun tijdsvariërende signalen zijn. Als twee kanalen sterk divergeren, blijven beide behouden omdat ze waarschijnlijk onderscheidende informatie dragen. Als ze heel vergelijkbaar zijn, wordt er één weggegooid als redundant. Om te bepalen waar de grens ligt, vergelijkt het team de afstand van elk paar met een algemene drempel, berekend ofwel uit de gemiddelde waarde (Mean) of uit de middelste waarde (Median) van alle afstanden.

De snelweg uittesten op verschillende mentale taken

Om te zien of deze snelkoppeling echt werkt, pasten de onderzoekers deze toe op twee open datasets. De ene bevatte EEG- en fNIRS-opnames terwijl vrijwilligers zich voorstelden hun handen te bewegen of mentale rekentaken op te lossen. De andere was een klassieke “speller”-taak, waarbij gebruikers zich concentreren op knipperende letters zodat een onderscheidende hersengolf, de P300-respons, hun keuze onthult. Na het opschonen van de signalen extraheerden het team eenvoudige statistische kenmerken uit elk kanaal, of gebruikten korte tijdvensters direct, en trainden vervolgens drie bekende machine-learningtools om de taken te classificeren. Ze vergeleken de prestaties met en zonder hun kanaalreductiemethode.

De belangrijke hersengebieden behouden

De methode sneed het aantal kanalen met meer dan de helft voor alle taken: grofweg 15–17 van 30 EEG-kanalen en ongeveer 18–24 van 36 fNIRS-kanalen in de eerste dataset, en slechts ongeveer 31–40 van 64 EEG-kanalen in de speller. Cruciaal is dat de nauwkeurigheid gelijk bleef of zelfs verbeterde. Voor de speller bereikte de nauwkeurigheid ongeveer 94% met een lichte classifier; voor hybride rekenkundige taken klom die naar ongeveer 73%. Wanneer het team uittekende hoe vaak elk sensor behouden bleef, kwamen de overgebleven kanalen overeen met wat de neurowetenschap zou voorspellen: motorische gebieden voor denkbeeldige beweging, prefrontale regio’s voor rekenwerk, en pariëtaal–occipitale zones voor de P300-respons. Met andere woorden: het algoritme spitste zich automatisch toe op functioneel belangrijke regio’s zonder te weten waar die zich bevonden.

De juiste manier kiezen om met ruis om te gaan

Een belangrijk detail in de studie is hoe de drempel wordt ingesteld. Het gebruik van de Median-afstand, die minder wordt beïnvloed door extreme waarden, leverde vaak stabielere en soms hogere nauwkeurigheid op dan het gebruik van de Mean, vooral voor luidruchtige of veeleisende taken zoals mentale rekentaken en de P300-speller. Statistische toetsen toonden aan dat deze keuze niet louter cosmetisch is: voor die taken presteerden Median-gebaseerde drempels duidelijk beter dan Mean-gebaseerde, terwijl voor eenvoudiger bewegingimagery het verschil klein was. Tegelijkertijd konden modellen die de gereduceerde kanaalsets gebruikten beslissingen nemen binnen ongeveer een tiende tot een vijfde van een seconde, een dramatische versnelling vergeleken met meerdere seconden wanneer elk kanaal was inbegrepen.

Wat dit betekent voor toekomstige herseninterfaces

In eenvoudige bewoordingen laat dit werk zien dat je meer dan de helft van de sensoren in een hybride EEG–fNIRS-systeem kunt weggooien, de meest informatieve kunt behouden en toch de oorspronkelijke nauwkeurigheid kunt evenaren of overtreffen — terwijl de reactietijd naar een werkelijk real-time bereik krimpt. Door te steunen op eenvoudige afstandsberekeningen in plaats van zware optimalisatieschema’s of deep learning, is het voorgestelde kader makkelijker te implementeren op draagbare apparaten met beperkte rekenkracht. Voor toekomstige brain–computer interfaces die het lab verlaten en huizen, klinieken of zelfs draagbare pleisters moeten binnentreden, zou dit soort slimme kanaalpruning een sleutelstap kunnen zijn om met gedachten bestuurde technologie zowel praktisch als breed toegankelijk te maken.

Bronvermelding: 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

Trefwoorden: brain-computer interface, EEG, fNIRS, kanaalselectie, P300 speller