Gemensam MVMD-baserad optimal funktionsval och FW-LS-TWSVM för motorisk imagery-igenkänning

Att lära datorer att läsa föreställd rörelse

Föreställ dig att styra en rullstol eller en robotarm bara genom att tänka på att röra din hand. Denna studie undersöker hur den typen av hjärnstyrd teknik kan göras mer exakt och snabb, så att den bättre kan hjälpa personer med rörelseproblem och stödja smidigt samspel mellan människa och maskin.

Varför hjärnsignalkontroll är svårt

Hjärn–datorgränssnitt omvandlar mycket svaga elektriska signaler från skalpen till kommandon för externa enheter. I motor imagery-system föreställer sig personer bara att de rör en hand eller fot, och sensorer registrerar den därav följande hjärnaktiviteten. Dessa signaler är mycket svaga och lätt störda av skillnader mellan individer, humör eller trötthet, och bakgrundsbrus. Som ett resultat är många befintliga system inte tillräckligt precisa eller tillförlitliga för dagligt bruk, särskilt när endast begränsad träningsdata finns tillgänglig.

Att hitta de rätta delarna av hjärnsignalen

Författarna fokuserar på att noggrant skapa och välja funktioner från hjärnsignalerna istället för att förlita sig enbart på djupinlärning. Först rengör de signalerna och delar in dem i korta tidsfönster för att hitta den period som bäst speglar den föreställda rörelsen. Sedan delar de varje signal i flera komponenter som motsvarar olika frekvensområden, med en metod som analyserar alla kanaler tillsammans. Detta steg hjälper till att separera meningsfulla mönster kopplade till rörelse från annan aktivitet och brus. Från varje komponent extraherar de spatiala mönster som betonar hur grupper av elektroder förändras tillsammans under olika föreställda rörelser.

Att välja bara det som verkligen hjälper

Inte varje frekvensband eller spatialt mönster är användbart. Genom en statistisk metod testar tillvägagångssättet hur mycket varje funktion förbättrar förmågan att skilja föreställd vänster- från högerhand. Funktioner som inte bidrar mycket tas bort, vilket lämnar en kompakt uppsättning av de mest informativa delarna av signalen. Detta adaptiva urval kan skilja sig mellan personer och till och med mellan sessioner, vilket återspeglar att varje hjärna och varje inspelningsdag har sina egna särdrag. Genom att trimma bort redundanta och instabila funktioner blir systemet både mer precist och mer effektivt.

Ett smartare sätt att dra beslutslinjen

När de bästa funktionerna valts behövs fortfarande en klassificerare som kan hantera avvikare, såsom brusiga eller ovanliga prov. Studien introducerar en fuzzy-viktad version av en snabb supportvektormaskin som lär sig två beslutsplan istället för en. Varje träningsexempel ges en vikt baserat på hur typiskt det är för sin klass, så misstänkta eller brusiga prov får mindre påverkan. Denna utformning minskar effekten av dåliga data samtidigt som träningen hålls snabb nog för nära realtidsanvändning.

Hur väl metoden fungerar

Forskarna testade hela sin pipeline på två stora publika dataset med föreställda handrörelser, inspelade med dussintals skalpelektroder. Deras metod nådde ungefär 87 till 88 procent i genomsnittlig noggrannhet, klart bättre än flera nyare djupinlärningssystem och andra avancerade klassificerare som använde samma data. De visade också att användningen av deras adaptiva frekvensuppdelning och funktionsurval tillsammans gav en betydande förbättring jämfört med enklare fasta bandfilter eller äldre uppdelningsmetoder.

Vad detta betyder för framtida hjärnstyrning

För en lekman är slutsatsen att denna studie visar hur noggrant urval av vilka delar av hjärnsignalen man litar på, och att minska påverkan från brusiga exempel, kan göra tankestyrda enheter mer pålitliga och responsiva. Även om mer arbete behövs innan sådana system blir vanliga i vardagen, för oss detta angreppssätt ett steg närmare praktiska verktyg som kan stödja rehabilitering, återställa förlorad rörelse och utöka hur människor interagerar med maskiner enbart med sina sinnen.

Citering: 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

Nyckelord: motor imagery, hjärndatorgränssnitt, EEG-avkodning, funktionsval, supportvektormaskin