Transformator Cerebro Wave Bee do wykorzystania klasyfikacji ruchu ręki na podstawie EEG przy użyciu zoptymalizowanych, inspirowanych biologicznie współczynników uczenia

Odczytywanie fal mózgowych, by poruszyć ręką

Wyobraź sobie możliwość poruszania protezą dłoni, sterowania wózkiem inwalidzkim lub obsługi gry komputerowej jedynie poprzez myśl o ruchu własnej ręki. Badanie to bada, jak dokładniej odczytywać słabe sygnały elektryczne z mózgu i przekładać je na rozpoznawalne ruchy ręki. Autorzy przedstawiają nowy model komputerowy, który łączy potężny system rozpoznawania wzorców ze strategią inspirowaną zachowaniem pszczół miodnych, wszystko po to, by uczynić urządzenia sterowane mózgiem bardziej dokładnymi, niezawodnymi i gotowymi do zastosowań w rzeczywistym świecie.

Dlaczego sygnały mózgowe trudno zdekodować

Nasze mózgi nieustannie generują słabe sygnały elektryczne, które można rejestrować na skórze głowy za pomocą techniki zwanej EEG, gdzie małe czujniki rejestrują fale mózgowe w czasie rzeczywistym. Sygnały te zmieniają się, gdy wyobrażamy sobie lub wykonujemy ruchy, na przykład podnoszenie lub obracanie ręki. Jednak dane EEG są bardzo zaszumione i silnie różnią się między osobami, co utrudnia rozróżnienie, na przykład, ruchu lewej ręki od prawej czy zwykłego spoczynku. Tradycyjne metody komputerowe opierają się albo na ręcznie opracowanych cechach, albo na prostszych sieciach neuronowych, które często mają trudności z uchwyceniem pełnej złożoności tych wzorców mózgowych, szczególnie w różnych populacjach i konfiguracjach rejestracji.

Nowy model, który uczy się jak uważny czytelnik

Autorzy wprowadzają model nazwany Cerebro‑Wave Bee Transformer. Jego rdzeń stanowi „transformer”, rodzaj architektury głębokiego uczenia pierwotnie opracowanej do tłumaczeń językowych, wyróżniającej się umiejętnością wychwytywania relacji pomiędzy wieloma wejściami jednocześnie. W tym przypadku każdy kanał EEG traktowany jest jak „token”, podobnie jak słowo w zdaniu, a model uczy się, jak różne obszary mózgu współdziałają, gdy osoba wykonuje lub wyobraża sobie ruch ręki. Zamiast przetwarzać surowe sygnały czasowe, system najpierw konwertuje każde doświadczenie na zwartą tabelę mocy fal mózgowych w czterech kluczowych pasmach częstotliwości i 14 lokalizacjach elektrod, dając modelowi ustandaryzowany i efektywny pogląd na dane.

Pozwolenie pszczelej strategii znaleźć najlepszy punkt

Modele głębokiego uczenia są wrażliwe na kluczowy parametr treningu zwany współczynnikiem uczenia, który kontroluje, jak duży krok model wykonuje przy każdej aktualizacji. Jeżeli krok jest zbyt duży, nauka staje się niestabilna; jeśli zbyt mały, trening jest powolny i może nigdy nie osiągnąć dobrego rozwiązania. Zamiast zgadywać tę wartość lub przeszukiwać wiele opcji, badacze zapożyczają strategię od pszczół miodnych. Wyobrażają sobie rój wirtualnych pszczół, z których każda testuje inny współczynnik uczenia podczas krótkiego biegu treningowego. Obiecujące wartości są eksplorowane dokładniej, podczas gdy parametr „temperatury” stopniowo stygnie, przesuwając poszukiwania od szerokiej eksploracji do precyzyjnych regulacji. W efekcie system koncentruje się na współczynniku uczenia, który daje najbardziej niezawodne wyniki przed rozpoczęciem pełnego treningu.

Testowanie systemu

Aby sprawdzić skuteczność podejścia, zespół trenował i oceniał Cerebro‑Wave Bee Transformer na dwóch niezależnych zbiorach danych EEG. Jeden pochodził z konsumenckiego zestawu słuchawkowego rejestrującego trzy klasy: ruch lewej ręki, ruch prawej ręki oraz spoczynek. Drugi to powszechnie używany zbiór badawczy z innym sprzętem, częstotliwościami próbkowania i układem elektrod. W obu przypadkach sygnały EEG zostały przekształcone do tego samego formatu 14 na 4, aby ta sama architektura modelu mogła być zastosowana w sposób porównawczy. Wykorzystując dziesięciokrotną walidację krzyżową, by uchronić się przed przypadkowymi wynikami, nowa metoda osiągnęła dokładność około 95,6% na głównym zbiorze danych i nieco niższą na drugim, przewyższając tradycyjne modele uczenia maszynowego, prostsze sieci neuronowe oraz wersje transformerów stosujące standardowe harmonogramy współczynnika uczenia zamiast poszukiwań inspirowanych pszczołami.

Co to oznacza dla przyszłych narzędzi mózg‑komputer

Badanie pokazuje, że staranne dostrojenie sposobu, w jaki potężny model się uczy, może przynieść korzyści porównywalne ze zmianą samej architektury. Łącząc transformera z procesem optymalizacji w stylu pszczelim, autorzy stworzyli system, który klasyfikuje aktywność mózgową związaną z ręką z wysoką dokładnością i dobrą odpornością na różnice między zbiorami danych, wszystko to bez spowalniania działania w czasie rzeczywistym po zakończeniu treningu. Choć obecne badanie opiera się na wstępnie przetworzonych migawkach mocy fal mózgowych, a nie na surowych sygnałach ciągłych, dostarcza mocnego dowodu koncepcji: strategie poszukiwań inspirowane naturą mogą pomóc odblokować pełny potencjał zaawansowanych sieci neuronowych w interfejsach mózg‑komputer, przybliżając urządzenia sterowane myślami i technologie wspomagające do codziennej praktyczności.

Cytowanie: Jayadurga, N.P., Chandralekha, M. & Subramaniam, H. Cerebro Wave Bee transformer to leverage EEG based hand movement classification using optimized bio-inspired learning rates. Sci Rep 16, 14640 (2026). https://doi.org/10.1038/s41598-026-40739-5

Słowa kluczowe: interfejs mózg‑komputer, EEG ruch ręki, siec neuronowa typu transformer, optymalizacja inspirowana biologią, algorytm pszczeli