Métricas temporais de similaridade baseadas em distância para seleção adaptativa de canais em estruturas BCI multimodais EEG-fNIRS

Ajudando Cérebros a Falar com Máquinas

Para pessoas que não conseguem se mover ou falar, interfaces cérebro–computador prometem uma forma de comunicar usando apenas o pensamento. Mas transformar sinais cerebrais crus em comandos confiáveis é como tentar manter uma conversa em um estádio lotado: há muitos dados e ainda mais ruído. Este estudo apresenta uma maneira simples, porém poderosa, de reduzir esses fluxos de dados para que os computadores respondam mais rápido, sem perder o que o cérebro está tentando comunicar.

Por que Muitos Fios Deixam as Coisas Lentamente

Sistemas modernos de interface cérebro–computador costumam usar dois tipos de sensores não invasivos no couro cabeludo. A eletroencefalografia (EEG) registra pulsos elétricos minúsculos de neurônios, enquanto a espectroscopia funcional no infravermelho próximo (fNIRS) acompanha mudanças de sangue e oxigênio vinculadas à atividade cerebral. Juntos, eles formam um sistema “híbrido” mais preciso do que cada técnica isolada, mas com um custo: dezenas de sensores ao longo de longos períodos de registro produzem conjuntos de dados enormes e difíceis de manejar. Procurar o subconjunto ideal de sensores por tentativa e erro exigiria testar um número astronômico de combinações, muito além do que computadores atuais podem processar em tempo real.

Vendo Quando Sinais Vizinhos Dizem a Mesma Coisa

Os autores enfrentam esse problema com uma ideia intuitiva: se dois sensores vizinhos na cabeça contam quase a mesma história ao longo do tempo, você não precisa de ambos. Eles emparelham eletrodos próximos e medem matematicamente o quanto seus sinais temporais diferem. Se dois canais divergem fortemente, ambos são mantidos porque provavelmente carregam informação distinta. Se são muito semelhantes, um é descartado como redundante. Para decidir onde traçar essa linha, a equipe compara a distância de cada par com um limite geral, calculado seja pela média (Mean) ou pelo valor mediano (Median) de todas as distâncias.

Testando o Atalho em Diferentes Tarefas Mentais

Para verificar se esse atalho realmente funciona, os pesquisadores o aplicaram a dois conjuntos de dados públicos. Um continha registros de EEG e fNIRS enquanto voluntários imaginavam mover as mãos ou resolviam problemas de aritmética mental. O outro era uma tarefa clássica de “speller”, em que usuários focam em letras piscantes de modo que uma onda cerebral distinta, a resposta P300, revele sua escolha. Após limpar os sinais, a equipe extraiu características estatísticas simples de cada canal, ou usou janelas de tempo curtas diretamente, e então treinou três conhecidos algoritmos de aprendizado de máquina para classificar as tarefas. Compararam o desempenho com e sem o método de redução de canais.

Mantendo as Áreas Cerebrais Importantes

O método cortou o número de canais em mais da metade em todas as tarefas: aproximadamente 15–17 de 30 canais EEG e cerca de 18–24 de 36 canais fNIRS no primeiro conjunto, e apenas cerca de 31–40 de 64 canais EEG no speller. Crucialmente, a acurácia permaneceu a mesma ou até melhorou. Para o speller, a acurácia atingiu cerca de 94% com um classificador leve; para tarefas híbridas de aritmética, subiu para aproximadamente 73%. Quando a equipe mapeou com que frequência cada sensor foi mantido, os canais sobreviventes se alinharam com o que a neurociência prevê: áreas motoras para imagética de movimento, regiões pré-frontais para aritmética e zonas parietal–occipitais para a resposta P300. Em outras palavras, o algoritmo focou automaticamente regiões funcionalmente importantes sem precisar ser informado onde elas estavam.

Escolhendo a Maneira Certa de Lidar com o Ruído

Um ponto importante no estudo é como o limite é definido. Usar a distância mediana, menos influenciada por valores extremos, frequentemente produziu resultados mais estáveis e às vezes maior acurácia do que usar a média, especialmente para tarefas ruidosas ou de alta demanda, como aritmética mental e o speller P300. Testes estatísticos mostraram que essa escolha não é cosmética: para essas tarefas, limiares baseados na Mediana claramente superaram os baseados na Média, enquanto para imagética de movimento mais simples a diferença foi menor. Ao mesmo tempo, modelos que usaram os conjuntos de canais reduzidos conseguiam tomar decisões em cerca de um décimo a um quinto de segundo, um aumento de velocidade dramático em comparação com vários segundos quando todos os canais eram incluídos.

O Que Isso Significa para Futuras Interfaces Cerebrais

Em termos simples, este trabalho mostra que é possível descartar mais da metade dos sensores em um sistema híbrido EEG–fNIRS, manter os mais informativos e ainda assim igualar ou superar a acurácia original — tudo isso reduzindo o tempo de resposta para uma faixa realmente em tempo real. Ao confiar em cálculos de distância diretos em vez de esquemas pesados de otimização ou aprendizado profundo, a estrutura proposta é mais fácil de implementar em dispositivos portáteis com poder computacional limitado. Para futuras interfaces cérebro–computador projetadas para sair do laboratório e entrar em lares, clínicas ou até dispositivos vestíveis, esse tipo de poda inteligente de canais pode ser um passo-chave para tornar a tecnologia controlada pelo pensamento prática e amplamente acessível.

Citação: 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

Palavras-chave: interface cérebro-computador, EEG, fNIRS, seleção de canais, speller P300