Avståndsbaserade tidsmässiga likhetsmått för adaptivt kanalval i multimodala EEG–fNIRS BCI-ramverk

Hjälpa hjärnor att tala med maskiner

För personer som inte kan röra sig eller tala lovar hjärn–datorgränssnitt en väg att kommunicera enbart med tankar. Men att omvandla råa hjärnsignaler till tillförlitliga styrkommandon är som att försöka föra en konversation på ett fullsatt stadion: det finns mycket data och ännu mer brus. Denna studie presenterar ett enkelt men kraftfullt sätt att tunna ut dessa datakanaler så att datorer kan reagera snabbare utan att förlora vad hjärnan försöker uttrycka.

Varför för många ledningar sänker tempot

Moderna hjärn–dator-system använder ofta två typer av icke-invasiva sensorer på skalpen. Elektroencefalografi (EEG) registrerar mycket små elektriska pulser från neuroner, medan funktionell när-infraröd spektroskopi (fNIRS) följer blod- och syresättningsförändringar kopplade till hjärnaktivitet. Tillsammans bildar de ett ”hybridsystem” som är mer träffsäkert än någon av metoderna för sig, men det finns en pris: tiotals sensorer över långa inspelningstider ger enorma, svårhanterliga dataset. Att söka efter den bästa delmängden sensorer genom trial-and-error skulle kräva att man testar astronomiskt många kombinationer, långt bortom vad dagens datorer kan hantera i realtid.

Se när närliggande signaler säger samma sak

Forskarnas lösning på detta problem bygger på en intuitiv idé: om två närliggande sensorer på huvudet berättar nästan samma historia över tid behövs inte båda. De parar ihop närliggande elektroder och mäter matematiskt hur olika deras tidsvarierande signaler är. Om två kanaler skiljer sig kraftigt behålls båda eftersom de sannolikt bär distinkt information. Om de är mycket lika kastas en bort som redundant. För att avgöra var gränsen ska gå jämför teamet varje pars avstånd med en övergripande tröskel, beräknad antingen från medelvärdet (Mean) eller från medianen (Median) av alla avstånd.

Testa genvägen på olika mentala uppgifter

För att se om denna genväg verkligen fungerar tillämpade forskarna den på två öppna dataset. Det ena innehöll EEG- och fNIRS-inspelningar medan frivilliga föreställde sig att de rörde sina händer eller löste mentala aritmetikuppgifter. Det andra var en klassisk ”speller”-uppgift där användare fokuserar på blinkande bokstäver så att en distinkt hjärnvåg, P300-responsen, avslöjar deras val. Efter att ha rensat signalerna extraherade teamet enkla statistiska egenskaper från varje kanal, eller använde korta tidsfönster direkt, och tränade sedan tre välkända maskininlärningsverktyg för att klassificera uppgifterna. De jämförde prestanda med och utan deras kanalreduktionsmetod.

Behålla viktiga hjärnområden

Metoden minskade antalet kanaler med mer än hälften över alla uppgifter: ungefär 15–17 av 30 EEG-kanaler och cirka 18–24 av 36 fNIRS-kanaler i det första datasetet, och endast omkring 31–40 av 64 EEG-kanaler i speller-uppgiften. Viktigt är att noggrannheten förblev densamma eller till och med förbättrades. För spellern nådde noggrannheten ungefär 94 % med en lättviktsklassificerare; för hybrida aritmetikuppgifter steg den till runt 73 %. När teamet ritade upp hur ofta varje sensor behölls linjerade de överlevande kanalerna med vad hjärnforskning skulle förutse: motorområden för rörelsetankar, prefrontala regioner för aritmetik och parieto–occipitala zoner för P300-responsen. Med andra ord fokuserade algoritmen automatiskt på funktionellt viktiga regioner utan att få instruktioner om var de låg.

Välja rätt sätt att hantera brus

En viktig aspekt i studien är hur tröskeln sätts. Att använda Median-avståndet, som påverkas mindre av extrema värden, gav ofta mer stabil och ibland högre noggrannhet än att använda Mean, särskilt för brusiga eller krävande uppgifter som mental aritmetik och P300-spellern. Statistiska tester visade att detta val inte är kosmetiskt: för dessa uppgifter överträffade Median-baserade trösklar tydligt Mean-baserade, medan skillnaden var mindre för enklare rörelseföreställningar. Samtidigt kunde modeller som använde de reducerade kanalmängderna fatta beslut inom cirka en tiondel till en femtedel av en sekund, en dramatisk snabbning jämfört med flera sekunder när varje kanal inkluderades.

Vad detta betyder för framtida hjärngränssnitt

Enkelt uttryckt visar detta arbete att man kan kasta bort mer än hälften av sensorerna i ett hybrid EEG–fNIRS-system, behålla de mest informativa och ändå matcha eller överträffa den ursprungliga noggrannheten — samtidigt som reaktionstiden krymper till ett verkligt realtidsintervall. Genom att förlita sig på okomplicerade avståndsberäkningar istället för tunga optimeringsscheman eller djupinlärning är det föreslagna ramverket lättare att implementera på portabla enheter med begränsad beräkningskraft. För framtida hjärn–datorgränssnitt som är tänkta att lämna laboratoriet och nå hem, kliniker eller till och med bärbara plåster kan denna typ av smart kanalbeskärning vara ett avgörande steg mot att göra tankestyrd teknik både praktisk och lättillgänglig för många.

Citering: 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

Nyckelord: hjärn-datorgränssnitt, EEG, fNIRS, kanalval, P300-speller