Çok modlu EEG-fNIRS BCI çerçevelerinde uyarlanabilir kanal seçimi için uzaklık tabanlı zamansal benzerlik metrikleri

Beyinlerin Makinelerle Konuşmasına Yardımcı Olmak

Hareket edemeyen veya konuşamayan insanlar için beyin–bilgisayar arayüzleri yalnızca düşünceleriyle iletişim kurmanın bir yolunu vaat ediyor. Ancak ham beyin sinyallerini güvenilir kontrol komutlarına dönüştürmek, kalabalık bir stadyumda sohbet etmeye çalışmaya benziyor: çok fazla veri ve daha da fazla gürültü var. Bu çalışma, bu veri akışlarını basitleştirerek bilgisayarların beynin ne söylemeye çalıştığını kaybetmeden daha hızlı yanıt vermesini sağlayan basit ama güçlü bir yöntem sunuyor.

Neden Çok Fazla Kablo İşleri Yavaşlatır

Modern beyin–bilgisayar sistemleri sıklıkla saç derisi üzerine yerleştirilen iki tür invazif olmayan sensör kullanır. Elektroensefalografi (EEG), nöronlardan gelen çok küçük elektriksel darbeleri kaydederken, fonksiyonel yakın kızılötesi spektroskopi (fNIRS) beyin aktivitesiyle ilişkili kan ve oksijen değişikliklerini izler. Birlikte kullanıldıklarında tek başlarına olduğundan daha doğru bir “hibrit” sistem oluştururlar, ancak bunun bir maliyeti vardır: onlarca sensörün uzun süreli kayıtları devasa, yönetilmesi zor veri kümeleri üretir. En iyi sensör alt kümesini deneme yanılma ile aramak, günümüz bilgisayarlarının gerçek zamanlı olarak karşılayamayacağı kadar astronomik sayıda kombinasyon gerektirir.

Komşu Sinyaller Aynı Şeyi Söylüyorsa Bunu Görmek

Yazarlar bu sorunu sezgisel bir fikirle ele alıyor: baş üzerindeki iki komşu sensör zaman içinde neredeyse aynı hikâyeyi anlatıyorsa her ikisine de ihtiyaç yoktur. Yakın elektrot çiftleri oluşturuyor ve zamanla değişen sinyallerinin ne kadar farklı olduğunu matematiksel olarak ölçüyorlar. İki kanal güçlü şekilde ayrılıyorsa, muhtemelen ayrı bilgi taşıdıkları için her ikisi de korunuyor. Çok benzerlerse, biri gereksiz olarak eleniyor. Bu çizgiyi nerede çizeceklerine karar vermek için ekip, her çiftin uzaklığını tüm uzaklıkların ortalamasından (Mean) veya ortanca değerinden (Median) hesaplanan genel bir eşikle karşılaştırıyor.

Kestirmeyi Farklı Zihinsel Görevlerde Test Etmek

Bu kestirme gerçekten işe yarıyor mu görmek için araştırmacılar yöntemi iki açık veri kümesine uyguladılar. Birinde gönüllüler el hareketi hayal ederken veya zihinsel aritmetik problemler çözerken kaydedilmiş EEG ve fNIRS verileri vardı. Diğeri klasik bir “yazıcı” göreviydi; kullanıcılar yanıp sönen harflere odaklanır ve P300 tepkisi olarak bilinen belirgin bir beyin dalgası seçimlerini açığa çıkarır. Sinyalleri temizledikten sonra ekip, her kanaldan basit istatistiksel özellikler çıkardı veya kısa zaman pencerelerini doğrudan kullandı ve sonra görevleri sınıflandırmak için üç tanınmış makine öğrenmesi aracını eğitti. Yöntemli ve yöntemsiz performansı karşılaştırdılar.

Önemli Beyin Bölgelerini Korumak

Yöntem tüm görevlerde kanal sayısını yarıdan fazla azalttı: ilk veri kümesinde yaklaşık 30 EEG kanalı içinden 15–17 ve 36 fNIRS kanalından yaklaşık 18–24 korunurken, yazıcı görevinde 64 EEG kanalından yalnızca yaklaşık 31–40 kaldı. Kritik olarak doğruluk aynı kaldı veya hatta arttı. Yazıcı görevinde hafif bir sınıflandırıcı ile doğruluk yaklaşık %94’e ulaştı; hibrit aritmetik görevlerinde ise yaklaşık %73’e yükseldi. Ekip her sensörün ne sıklıkta korunduğunu görselleştirdiğinde, hayatta kalan kanallar beyin biliminin tahmin edeceği şekilde hizalandı: hayal edilen hareketler için motor alanlar, aritmetik için prefrontal bölgeler ve P300 tepkisi için parietal–oksipital bölgeler. Başka bir deyişle, algoritma nerede oldukları söylenmeden işlevsel olarak önemli bölgelere otomatik olarak odaklanıyordu.

Gürültüyü Yönetmenin Doğru Yolunu Seçmek

Çalışmadaki önemli bir ayrıntı eşik değerinin nasıl belirlendiği. Aşırı değerlere daha az duyarlı olan Medyan uzaklığın kullanılması, özellikle zihinsel aritmetik ve P300 yazıcı gibi gürültülü veya yüksek talep gerektiren görevlerde, sıklıkla daha kararlı ve bazen daha yüksek doğruluk sağladı; oysa Ortalama (Mean) kullanımı daha az dayanıklı olabiliyordu. İstatistiksel testler bu seçimin kozmetik olmadığını gösterdi: bu görevlerde Medyan tabanlı eşikler belirgin şekilde Mean tabanlı olanlardan daha iyi performans gösterirken, daha basit hareket hayali görevlerinde fark önemsizdi. Aynı zamanda, azaltılmış kanal setlerini kullanan modeller yaklaşık bir onda bir ile onda beş arasında karar verebiliyordu; her kanal dahil edildiğinde gereken birkaç saniyeye kıyasla dramatik bir hızlanmaydı.

Geleceğin Beyin Arayüzleri İçin Anlamı

Basitçe söylemek gerekirse, bu çalışma hibrit bir EEG–fNIRS sistemindeki sensörlerin yarısından fazlasını atabileceğinizi, en bilgilendirici olanları koruyabileceğinizi ve hâlâ orijinal doğruluğa eşdeğer veya daha iyi sonuç elde edebileceğinizi gösteriyor—üstelik tepki süresini gerçek zaman aralığına küçülterek. Ağır optimizasyon şemaları veya derin öğrenme yerine basit uzaklık hesaplarına dayanarak önerilen çerçeve, sınırlı hesaplama gücüne sahip taşınabilir cihazlarda uygulamayı kolaylaştırıyor. Laboratuvardan çıkıp evlere, kliniklere veya hatta giyilebilir yamalara gidecek gelecekteki beyin–bilgisayar arayüzleri için bu tür akıllı kanal budama, düşünceyle kontrol edilen teknolojiyi hem pratik hem de yaygın olarak erişilebilir kılmanın anahtar adımlarından biri olabilir.

Atıf: 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

Anahtar kelimeler: beyin-bilgisayar arayüzü, EEG, fNIRS, kanal seçimi, P300 yazıcı