Совместный выбор признаков на основе MVMD и оптимальная FW-LS-TWSVM для распознавания моторного воображения

Обучение компьютеров "читать" воображаемое движение

Представьте, что вы управляете инвалидной коляской или роботизированной рукой, просто думая о движении руки. В этом исследовании изучают, как сделать такие технологии управления мозгом более точными и быстрыми, чтобы они эффективнее помогали людям с нарушениями движения и обеспечивали плавное взаимодействие человека и машины.

Почему управление по мозговым сигналам так сложно

Интерфейсы «мозг‑компьютер» превращают очень слабые электрические сигналы с поверхности головы в команды для внешних устройств. В системах моторного воображения человек лишь представляет движение руки или ноги, а сенсоры фиксируют соответствующую активность мозга. Эти сигналы очень слабы и легко искажаются отличиями между людьми, изменениями настроения или утомляемости и фоновыми шумами. В результате многие существующие системы недостаточно точны или надежны для повседневного использования, особенно при ограниченном объеме обучающих данных.

Нахождение нужных фрагментов мозгового сигнала

Авторы сосредотачиваются на тщательной обработке и отборе признаков из сигналов мозга, а не полагаются исключительно на глубокое обучение. Сначала они очищают сигналы и разбивают их на короткие временные окна, чтобы найти период, который лучше всего отражает воображаемое движение. Затем каждый сигнал разлагают на несколько компонент, соответствующих разным частотным диапазонам, с помощью метода, анализирующего все каналы одновременно. Этот шаг помогает отделить осмысленные паттерны, связанные с движением, от прочей активности и шума. Из каждой компоненты извлекаются пространственные паттерны, подчеркивающие, как группы электродов изменяются совместно при разных воображаемых движениях.

Выбор только действительно полезных признаков

Не каждая частотная полоса или пространственный паттерн полезны. С помощью статистического подхода метод проверяет, насколько каждый признак улучшает способность различать воображение левой и правой руки. Признаки, которые мало помогают, устраняются, оставляя компактный набор наиболее информативных фрагментов сигнала. Этот адаптивный отбор может отличаться от человека к человеку и даже от сессии к сессии, отражая тот факт, что каждый мозг и каждый день записи имеют свои особенности. Отсечение избыточных и нестабильных признаков делает систему и более точной, и более эффективной.

Более умный способ провести разделяющую линию

После выбора лучших признаков системе всё ещё нужен классификатор, способный справляться с выбросами, такими как шумные или необычные пробы. В исследовании предложена нечетко взвешенная версия быстрого метода опорных векторов, которая обучает две разделяющие плоскости вместо одной. Каждому учебному образцу дается вес в зависимости от того, насколько типичен он для своего класса, так что сомнительные или шумные экземпляры оказывают меньше влияния. Такая конструкция снижает воздействие плохих данных при сохранении скорости обучения, достаточной для работы в режиме, близком к реальному времени.

Насколько хорошо работает метод

Исследователи протестировали весь конвейер на двух больших общедоступных наборах данных по воображаемым движениям рук, записанных с десятками электродов на коже головы. Их подход достиг примерно 87–88 процентов средней точности, что заметно лучше ряда недавних систем глубокого обучения и других современных классификаторов, работавших с теми же данными. Также показано, что совместное использование адаптивного частотного разложения и отбора признаков даёт значительное преимущество по сравнению с простыми фиксированными полосовыми фильтрами или старыми методами разложения.

Что это значит для будущего управления мозгом

Для непрофессионала вывод таков: исследование демонстрирует, что внимательный отбор частей мозгового сигнала, которым можно доверять, и уменьшение влияния шумных примеров могут сделать устройства, управляемые мыслями, более надёжными и отзывчивыми. Хотя требуется ещё работа, прежде чем такие системы станут повседневными, этот подход приближает нас к практическим инструментам, которые могут помочь в реабилитации, восстановить утраченные движения и расширить способы взаимодействия человека с машинами с помощью только мыслей.

Цитирование: Zhi, J., Zhang, Q., Li, Y. et al. Joint MVMD-based optimal feature selection and FW-LS-TWSVM for motor imagery recognition. Sci Rep 16, 15648 (2026). https://doi.org/10.1038/s41598-026-46642-3

Ключевые слова: моторное воображение, интерфейс мозг‑компьютер, декодирование ЭЭГ, отбор признаков, метод опорных векторов