Metryki podobieństwa czasowego oparte na odległości do adaptacyjnego wyboru kanałów w wielomodalnych ramach BCI EEG-fNIRS

Pomoc mózgowi w komunikacji z maszynami

Dla osób, które nie mogą się poruszać ani mówić, interfejsy mózg–komputer obiecują możliwość komunikowania się wyłącznie za pomocą myśli. Przekształcenie surowych sygnałów mózgowych w niezawodne polecenia sterujące przypomina jednak prowadzenie rozmowy na zatłoczonym stadionie: jest dużo danych i jeszcze więcej szumu. Niniejsze badanie przedstawia prosty, ale skuteczny sposób ograniczenia tych strumieni danych tak, aby komputery mogły reagować szybciej, nie tracąc istoty przesyłanej przez mózg informacji.

Dlaczego zbyt wiele przewodów spowalnia działanie

Współczesne systemy mózg–komputer często wykorzystują dwa rodzaje nieinwazyjnych czujników na skórze głowy. Elektroencefalografia (EEG) rejestruje drobne impulsy elektryczne neuronów, natomiast funkcjonalna spektroskopia bliskiej podczerwieni (fNIRS) śledzi zmiany w krążeniu krwi i utlenowaniu związane z aktywnością mózgu. Razem tworzą „hybrydowy” system, który jest dokładniejszy niż każdy z tych sygnałów z osobna, ale ma też wadę: dziesiątki czujników przez długie okresy nagrań generują ogromne, trudne do przetworzenia zbiory danych. Szukanie najlepszego podzbioru czujników metodą prób i błędów wymagałoby testowania astronomicznej liczby kombinacji, znacznie wykraczającej poza możliwości współczesnych komputerów w czasie rzeczywistym.

Rozpoznawanie, kiedy sąsiednie sygnały mówią to samo

Autorzy rozwiązują ten problem pomysłem intuicyjnym: jeśli dwa sąsiednie czujniki na głowie przez dłuższy czas przekazują niemal tę samą informację, nie potrzebujesz obu. Parują bliskie elektrody i matematycznie mierzą, jak różnią się ich sygnały w czasie. Gdy dwa kanały silnie się różnicują, oba są zachowywane, ponieważ prawdopodobnie niosą odrębną informację. Jeśli są bardzo podobne, jeden jest odrzucany jako redundantny. Aby ustalić próg odcięcia, zespół porównuje odległość każdej pary z globalnym progiem, obliczanym albo na podstawie wartości średniej (Mean), albo na podstawie wartości środkowej (Median) wszystkich odległości.

Testowanie skrótu na różnych zadaniach umysłowych

Aby sprawdzić, czy ten skrót rzeczywiście działa, badacze zastosowali go do dwóch otwartych zestawów danych. Jeden zawierał zapisy EEG i fNIRS, gdy ochotnicy wyobrażali sobie ruchy rąk lub rozwiązywali zadania arytmetyczne w myślach. Drugi to klasyczne zadanie „spellera”, w którym użytkownicy koncentrują się na migających literach, a charakterystyczna fala mózgowa P300 ujawnia ich wybór. Po oczyszczeniu sygnałów zespół wydobył proste cechy statystyczne z każdego kanału lub użył krótkich okien czasowych bezpośrednio, a następnie wytrenował trzy znane narzędzia uczenia maszynowego do klasyfikacji zadań. Porównano wydajność z zastosowaniem i bez zastosowania metody redukcji kanałów.

Zachowywanie istotnych obszarów mózgu

Metoda zmniejszyła liczbę kanałów o ponad połowę we wszystkich zadaniach: około 15–17 z 30 kanałów EEG i około 18–24 z 36 kanałów fNIRS w pierwszym zbiorze danych oraz tylko około 31–40 z 64 kanałów EEG w zadaniu spellera. Co istotne, dokładność pozostała na tym samym poziomie lub nawet się poprawiła. Dla spellera dokładność osiągnęła około 94% przy lekkim klasyfikatorze; dla hybrydowych zadań arytmetycznych wzrosła do około 73%. Gdy zespół odrysował, jak często każdy czujnik był zachowywany, pozostałe kanały pokrywały się z przewidywaniami wiedzy o mózgu: obszary motoryczne dla wyobrażonych ruchów, rejony przedczołowe dla arytmetyki i strefy ciemieniowo-potyliczne dla odpowiedzi P300. Innymi słowy, algorytm automatycznie koncentrował się na funkcjonalnie ważnych regionach bez uprzedniej wiedzy o ich lokalizacji.

Wybór właściwego sposobu radzenia sobie z szumem

Ważnym wątkiem badania jest sposób ustalania progu. Użycie mediany odległości, która jest mniej podatna na wartości skrajne, często dawało bardziej stabilne, a czasem wyższe wyniki niż zastosowanie średniej, zwłaszcza dla hałaśliwych lub wymagających zadań, takich jak arytmetyka umysłowa i speller P300. Testy statystyczne pokazały, że ten wybór nie jest kosmetyczny: dla tych zadań progi oparte na medianie wyraźnie przewyższały progi oparte na średniej, podczas gdy dla prostszych wyobrażeń ruchu różnica była niewielka. Jednocześnie modele wykorzystujące zredukowane zestawy kanałów mogły podejmować decyzje w czasie około jednej dziesiątej do jednej piątej sekundy, co stanowi dramatyczne przyspieszenie w porównaniu z kilkoma sekundami potrzebnymi przy uwzględnieniu wszystkich kanałów.

Co to oznacza dla przyszłych interfejsów mózgowych

Mówiąc prosto, praca ta pokazuje, że można odrzucić ponad połowę czujników w hybrydowym systemie EEG–fNIRS, zachować najbardziej informacyjne z nich i nadal dorównać lub przewyższyć pierwotną dokładność — wszystko to przy skróceniu czasu reakcji do rzeczywiście czasu rzeczywistego. Polegając na prostych obliczeniach odległości zamiast złożonych schematów optymalizacyjnych czy głębokiego uczenia, proponowane ramy są łatwiejsze do wdrożenia na przenośnych urządzeniach o ograniczonej mocy obliczeniowej. Dla przyszłych interfejsów mózg–komputer zaprojektowanych tak, by opuścić laboratorium i trafić do domów, klinik czy nawet noszalnych „opasek”, taki inteligentny pruning kanałów może być kluczowym krokiem w kierunku uczynienia technologii sterowanej myślami praktyczną i powszechnie dostępną.

Cytowanie: 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

Słowa kluczowe: interfejs mózg-komputer, EEG, fNIRS, selekcja kanałów, P300 speller