Трансформер Cerebro Wave Bee для использования классификации движений рук по ЭЭГ с оптимизированными био‑вдохновлёнными скоростями обучения

Чтение мозговых волн, чтобы двигать рукой

Представьте, что вы можете управлять протезом руки, креслом‑коляской или компьютерной игрой просто думая о движении собственной руки. В этом исследовании изучается, как точнее считывать слабые электрические сигналы мозга и переводить их в отдельные действия руки. Авторы предлагают новую компьютерную модель, которая сочетает мощную систему распознавания шаблонов со стратегией, вдохновлённой поведением медоносных пчёл, чтобы сделать устройства с управлением мыслью более точными, надёжными и пригодными для реального применения.

Почему сигналы мозга трудно расшифровать

Наш мозг постоянно генерирует слабые электрические сигналы, которые можно зарегистрировать на коже головы с помощью метода ЭЭГ: небольшие датчики записывают мозговые волны в реальном времени. Эти сигналы меняются, когда мы представляем или выполняем движения, например поднимаем или поворачиваем руку. Однако данные ЭЭГ чрезвычайно зашумлены и сильно различаются у разных людей, что затрудняет различение, например, движения левой руки от правой или состояния покоя. Традиционные компьютерные методы либо опираются на вручную созданные признаки, либо используют простые нейронные сети, которые часто не в состоянии охватить всю сложность этих мозговых паттернов, особенно при варьировании людей и условий записи.

Новая модель, которая учится как внимательный читатель

Авторы представляют модель под названием Cerebro‑Wave Bee Transformer. В её основе — «трансформер», тип глубокой архитектуры, изначально разработанной для перевода языков, который отлично выявляет взаимосвязи среди множества входов одновременно. В данном случае каждый канал ЭЭГ рассматривается как «токен», подобно слову в предложении, и модель учится, как разные области мозга взаимодействуют, когда человек двигает или представляет движение руки. Вместо обработки сырых временных сигналов система сначала преобразует каждый эксперимент в компактную таблицу мощности мозговых волн по четырём ключевым частотным полосам и 14 электродам, что даёт модели стандартизованное и эффективное представление данных.

Позвольте поиску в стиле пчёл найти «сладкое место»

Модели глубинного обучения чувствительны к ключевому параметру обучения, называемому скоростью обучения — он определяет размер шага, который модель делает при каждом обновлении. Если шаг слишком большой, обучение становится нестабильным; если слишком маленький, обучение замедляется и может никогда не достигнуть хорошего решения. Вместо того чтобы угадывать это значение или перебирать множество вариантов, исследователи заимствуют стратегию у foraging‑поведения медоносных пчёл. Они представляют рой виртуальных пчёл, каждая из которых тестирует разную скорость обучения в коротком цикле обучения. Более перспективные скорости исследуются тщательнее, в то время как параметр «температуры» постепенно охлаждается, переводя поиск от широкого исследования к тонкой настройке. В результате система находит скорость обучения, которая даёт наиболее надёжную производительность перед полноценным обучением.

Испытание системы

Чтобы проверить эффективность подхода, команда обучила и оценивала Cerebro‑Wave Bee Transformer на двух независимых наборах данных ЭЭГ. Один был получен с помощью потребительской гарнитуры, фиксировавшей три класса: движение левой руки, движение правой руки и покой. Другой — широко используемый исследовательский набор данных с другим оборудованием, частотами выборки и расположением электродов. В обоих случаях сигналы ЭЭГ были преобразованы в один и тот же формат 14×4, чтобы одинаковая архитектура модели могла применяться справедливо. С использованием десятикратной кросс‑проверки для защиты от случайных результатов новый метод достиг точности около 95,6% на основном наборе данных и лишь немного ниже на втором, превосходя традиционные модели машинного обучения, более простые нейронные сети и версии трансформера, использующие стандартные схемы изменения скорости обучения вместо поиска, вдохновлённого пчёлами.

Что это значит для будущих инструментов мозг‑компьютер

Исследование показывает, что тщательная настройка того, как обучается мощная модель, может приносить такой же эффект, как и изменение самой модели. Сочетая трансформер с оптимизацией по образцу поведения медоносных пчёл, авторы создали систему, которая с высокой точностью и хорошей устойчивостью классифицирует активность мозга, связанную с движениями руки, причём без замедления работы в реальном времени после завершения обучения. Хотя текущее исследование опирается на предварительно обработанные «снимки» мощности мозговых волн, а не на сырые непрерывные сигналы, оно представляет собой убедительное доказательство концепции: стратегии поиска, вдохновлённые природой, могут помочь раскрыть полный потенциал продвинутых нейронных сетей в интерфейсах мозг‑компьютер, приближая протезы и вспомогательные технологии, управляемые мыслью, к повседневному применению.

Цитирование: 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

Ключевые слова: интерфейс мозг‑компьютер, ЭЭГ движения руки, трансформер нейронная сеть, био‑вдохновлённая оптимизация, алгоритм медоносной пчелы