基于距离的时间相似性度量用于多模态 EEG-fNIRS BCI 框架中的自适应通道选择

帮助大脑与机器沟通

对于无法移动或说话的人，脑—机接口有望成为仅凭思维进行沟通的途径。但将原始脑信号转化为可靠的控制命令，就像在拥挤的体育场里试图进行对话：数据量大且噪声更多。该研究提出了一种简单而有力的方法来精简这些数据流，使计算机能更快响应，同时不丢失大脑想要表达的信息。

为什么太多电极会拖慢速度

现代脑—机系统通常在头皮上使用两类非侵入式传感器。脑电图（EEG）记录神经元的微弱电脉冲，而功能近红外光谱（fNIRS）跟踪与脑活动相关的血液和氧合变化。两者结合形成的“混合”系统往往比单一传感器更准确，但代价是：大量传感器和长时间记录会产生庞大且难以处理的数据集。通过试错搜索最佳传感器子集需要测试天文般多的组合，远超当前计算机在实时性要求下的处理能力。

看出邻近信号何时在说同一件事

作者用一个直观的想法来解决这个问题：如果头部两个相邻传感器随时间记录的信号几乎相同，就不需要同时保留它们。他们将附近的电极配对，并用数学方法衡量它们时间变化信号的差异。如果两个通道差异很大，就都保留，因为它们可能携带不同的信息；如果非常相似，则将其中一个视为冗余而去除。为了决定阈值位置，团队将每对通道的距离与一个总体阈值比较，该阈值由所有距离的平均值（Mean）或中位数（Median）计算得出。

在不同精神任务上测试这个捷径

为检验该捷径的有效性，研究人员将其应用于两个开放数据集。一个数据集中记录了志愿者在想象手部运动或进行心算时的 EEG 和 fNIRS 信号。另一个是经典的“拼写器”任务，用户专注于闪烁字母，从而产生可识别的脑电波 P300 响应以指示选择。清理信号后，团队从每个通道提取简单的统计特征，或直接使用短时间窗口，然后训练了三种知名的机器学习工具对任务进行分类，并将使用与不使用通道降维方法的性能进行了比较。

保留重要的脑区

该方法在所有任务中将通道数量削减了一半以上：在第一个数据集中，大约从 30 个 EEG 通道中保留 15–17 个，从 36 个 fNIRS 通道中保留约 18–24 个；在拼写器任务中，只保留了大约 31–40 个（原为 64 个）EEG 通道。更关键的是，准确率保持不变甚至有所提升。在拼写器上，使用轻量级分类器准确率约达 94%；在混合的心算任务上，准确率约为 73%。当团队绘制每个传感器被保留的频率时，幸存的通道分布与脑科学的预期相符：想象运动对应运动区，心算对应前额叶区，P300 响应对应顶-枕区。换言之，该算法在未被告知脑区位置的情况下，自动定位到了功能上重要的区域。

选择合适的噪声处理方式

研究中的一个重要转折是阈值的设置方式。使用中位数距离（更不受极端值影响）通常比使用平均值产生更稳定、有时更高的准确率，尤其是在像心算和 P300 拼写器这类噪声大或任务负荷高的情况下。统计检验表明，这一选择并非表面上的差别：对于这些任务，中位数为基础的阈值明显优于均值，而对于较简单的运动意象任务，二者差异较小。同时，使用精简通道集的模型能够在大约十分之一到五分之一秒内做出决策，与包含所有通道时需要的几秒相比，速度提升显著。

这对未来脑接口意味着什么

简而言之，这项工作表明可以在混合 EEG–fNIRS 系统中丢弃超过一半的传感器，保留最具信息量的那些，并且仍然匹配或优于原始准确率——同时将反应时间缩短到真正的实时范围。通过依赖直观的距离计算而不是复杂的优化方案或深度学习，所提出的框架更易于在计算能力有限的便携设备上实现。对于未来走出实验室、进入家庭、诊所甚至可穿戴贴片的脑—机接口，这种智能通道剪枝可能是使思想控制技术既实用又广泛可及的关键一步。

引用: 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

关键词: 脑-机接口, EEG, fNIRS, 通道选择, P300 拼写器