Метрики временной схожести на основе расстояний для адаптивного отбора каналов в многомодальных BCI-системах EEG–fNIRS

Помогаем мозгу разговаривать с машинами

Для людей, которые не могут двигаться или говорить, интерфейсы «мозг–компьютер» открывают возможность общения только с помощью мыслей. Но превращение сырых мозговых сигналов в надежные управляющие команды похоже на попытку вести разговор на переполненном стадионе: данных много, шума ещё больше. В этом исследовании предложен простой, но эффективный способ сократить эти потоки данных, чтобы компьютеры могли реагировать быстрее, не теряя того, что пытается сказать мозг.

Почему слишком много датчиков замедляет систему

Современные BCI-системы часто используют два типа неинвазивных датчиков на поверхности головы. Электроэнцефалография (ЭЭГ) регистрирует крошечные электрические импульсы нейронов, тогда как функциональная ближняя инфракрасная спектроскопия (fNIRS) отслеживает изменения кровотока и насыщения кислородом, связанные с активностью мозга. Вместе они образуют «гибридную» систему, более точную, чем каждая по отдельности, но с другой стороны это означает множество датчиков и длительные записи, которые порождают огромные, тяжёлые для обработки наборы данных. Искать лучшую подмножество датчиков методом проб и ошибок потребовало бы проверки астрономического числа комбинаций — значительно больше, чем современные компьютеры способны обработать в реальном времени.

Когда соседние сигналы говорят одно и то же

Авторы предлагают интуитивную идею: если два соседних датчика на голове передают почти одинаковую временную динамику, оба не нужны. Они соединяют близкие электроды в пары и математически измеряют, насколько различаются их временные сигналы. Если два канала сильно расходятся, оба сохраняются, так как, вероятно, несут разную информацию. Если они очень похожи, один исключается как избыточный. Чтобы решить, где провести границу, команда сравнивает расстояние каждой пары с общим порогом, вычисленным либо по среднему значению (Mean), либо по медиане (Median) всех расстояний.

Проверка метода на разных ментальных задачах

Чтобы проверить, работает ли этот упрощённый подход на практике, исследователи применили его к двум открытым наборам данных. В одном были записи ЭЭГ и fNIRS, когда добровольцы представляли себе движение рук или решали арифметические задачи в уме. В другом — классическая задача «спеллера», где пользователь сосредотачивается на мигающих буквах, и характерный мозговой ответ P300 показывает выбранный символ. После очистки сигналов команда извлекла простые статистические признаки из каждого канала или использовала короткие временные окна напрямую, а затем обучила три известных алгоритма машинного обучения для классификации задач. Они сравнили качество работы с применением метода сокращения каналов и без него.

Сохранение важных областей мозга

Метод сократил число каналов более чем вдвое во всех задачах: примерно 15–17 из 30 ЭЭГ-каналов и около 18–24 из 36 fNIRS-каналов в первом наборе данных, и только около 31–40 из 64 ЭЭГ-каналов в спеллере. Что важно, точность осталась на прежнем уровне или даже улучшилась. В задаче спеллера точность достигла примерно 94% при лёгком классификаторе; для гибридной арифметической задачи она поднялась до примерно 73%. Когда команда визуализировала, какие датчики чаще сохранялись, оставшиеся каналы соответствовали ожиданиям нейронауки: моторные области для воображаемого движения, префронтальные регионы для арифметики и париетально‑затылочные зоны для ответа P300. Другими словами, алгоритм автоматически фокусировался на функционально значимых областях без предварительной информации об их расположении.

Выбор способа учета шума

Важный момент в работе — способ задания порога. Использование медианы расстояний, которая меньше подвержена влиянию экстремальных значений, часто давало более стабильные и иногда более высокие показатели по сравнению со средним, особенно для шумных или ресурсоёмких задач, таких как мысленная арифметика и P300-спеллер. Статистические тесты показали, что этот выбор не чисто декоративен: для указанных задач пороги на основе медианы явно превосходили пороги на основе среднего, тогда как для более простой задачи имитации движения разница была незначительной. При этом модели на сокращённых наборах каналов могли принимать решения примерно за одну десятую — одну пятую секунды, что существенно быстрее по сравнению с несколькими секундами при использовании всех каналов.

Что это значит для будущих мозг‑компьютерных интерфейсов

Проще говоря, работа демонстрирует, что можно отбросить более половины датчиков в гибридной системе EEG–fNIRS, сохранить наиболее информативные и при этом не потерять в точности — а зачастую даже улучшить её, одновременно значительно сократив время реакции до реального времени. Опора на простые расчёты расстояний вместо тяжёлых схем оптимизации или глубокого обучения делает предложенную схему проще для внедрения на портативных устройствах с ограничёнными вычислительными ресурсами. Для будущих интерфейсов «мозг–компьютер», нацеленных на выход из лаборатории в дома, клиники или даже носимые решения, такое интеллектуальное сокращение каналов может стать ключевым шагом к практичности и широкой доступности технологий, управляемых мыслью.

Цитирование: 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

Ключевые слова: интерфейс «мозг–компьютер», ЭЭГ, fNIRS, отбор каналов, P300 спеллер