DOI: https://doi.org/10.3389/fnins.2025.1691929
PMID: https://pubmed.ncbi.nlm.nih.gov/41551041
تاريخ النشر: 2026-01-02
المؤلف: Zhenis Otarbay وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
يتناول هذا القسم من ورقة البحث التقدم في تصنيف تخطيط الدماغ الكهربائي (EEG) القائم على تخيل الحركة (MI)، مع التركيز على التحديات المتعلقة بالتباين بين الأفراد التي تعيق تطوير واجهات الدماغ-الكمبيوتر (BCIs) المستقلة عن الموضوع. يقترح المؤلفون إطار عمل للتعلم الانتقالي باستخدام الشبكات العلائقية التلافيفية (ConvoReleNet) لاستخراج تمثيلات عصبية غير مرتبطة بالموضوع مع التخفيف من النسيان الكارثي. يتضمن الإطار استخراج ميزات تلافيفية، ونمذجة علائقية، ومعالجة متكررة خفيفة الوزن، مع تدريب مسبق على مجموعة متنوعة من الموضوعات يتبعه ضبط دقيق محافظ. تظهر التحقق على معايير BNCI IV-2a و BNCI IV-2b تحسينات كبيرة في دقة التصنيف، مع زيادات من 72.22% (±20.49) إلى 79.44% (±11.09) لـ BNCI IV-2a ومن 75.10% (±17.17) إلى 83.85% (±10.30) لـ BNCI IV-2b. وصلت أفضل أداء إلى 87.55% و 83.85%، على التوالي، إلى جانب تقليل ملحوظ في تباين بين الموضوعات.
في الختام، تؤكد الدراسة على أن التعلم الانتقالي هو نهج فعال لتعزيز تصنيف MI-EEG المستند إلى الموضوع، محققة أداء تنافسي مقارنة بالهياكل المعروفة مع الحفاظ على الكفاءة الحاسوبية. تشير النتائج إلى أن الإطار المقترح لا يحسن فقط الدقة والاستقرار ولكن يوفر أيضًا إرشادات تصميم عملية لتشفير MI-EEG القوي. تشمل اتجاهات البحث المستقبلية التحقق من الإطار على مجموعات بيانات أكبر، ودمج طرق التعلم المعادية للمجال، واستكشاف استراتيجيات الضبط الدقيق عبر الإنترنت لتعزيز النشر في الوقت الحقيقي والمعايرة الخاصة بالمستخدم. بشكل عام، تسهم هذه العمل في التطوير المستمر لواجهات الدماغ-الكمبيوتر الموثوقة والمتاحة، مع التأكيد على أهمية التعميم ضمن مجموعات البيانات الحالية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور التحويلي للذكاء الاصطناعي (AI) في تعزيز واجهات الدماغ-الكمبيوتر (BCIs) المستندة إلى تخطيط الدماغ الكهربائي (EEG)، وخاصة تلك التي تستخدم تخيل الحركة (MI). كانت تقنيات الذكاء الاصطناعي، بما في ذلك التعلم العميق والشبكات العصبية التلافيفية (CNNs)، محورية في فك تشفير الإشارات العصبية المعقدة، مما يحسن أداء BCIs التي تسمح للمستخدمين بالتحكم في الأجهزة الخارجية من خلال الحركات المتخيلة. هذا مفيد بشكل خاص للأفراد الذين يعانون من اضطرابات عصبية، حيث تقدم MI-BCIs وسيلة غير جراحية للتواصل والتحكم، مما يعزز الاستقلالية والمشاركة في تطبيقات متنوعة، من التكنولوجيا المساعدة إلى إعادة التأهيل المعرفي.
على الرغم من التقدم، تواجه تطوير MI-BCIs القوية تحديات، خاصة فيما يتعلق بتباين إشارات EEG عبر الموضوعات والجلسات، مما يعقد فك التشفير الدقيق. تؤكد الورقة على الحاجة إلى نهج مستقل عن الموضوع للتخفيف من هذه القضايا، حيث تظهر CNNs والتعلم الانتقالي (TL) كحلول واعدة. يستكشف المؤلفون استراتيجيات الضبط الدقيق لـ MI-BCIs المستندة إلى CNN، موضحين أن نهج الضبط الدقيق المحافظ يعزز الدقة بشكل كبير ويقلل من تباين بين الموضوعات. تقدم نتائجهم إرشادات تجريبية لتحسين فك تشفير EEG المستقل عن الموضوع، مما يسهم في انتقال BCIs من الإعدادات التجريبية إلى التطبيقات العملية. تقدم الدراسة إطار عمل هجين موحد يدمج استخراج ميزات تلافيفية متعددة الفروع، وترميز علائقي قائم على المحولات، ونمذجة تسلسلية، مما يسهل نقل المعرفة بشكل فعال عبر مجموعات بيانات EEG متنوعة.
طرق
يهدف الإطار المنهجي لهذه الدراسة إلى تقييم فعالية التعلم الانتقالي لتصنيف تخيل الحركة EEG المستقل عن الموضوع. تستخدم الدراسة مجموعتين مرجعيتين من بيانات BCI Competition IV، وهما مجموعتي بيانات BNCI 2008-IV-2b و BNCI 2008-IV-2a، لتسهيل المقارنات المباشرة مع الطرق الحالية. تعتمد الدراسة على بنية تعلم عميق هجينة، ConvoReleNet، التي تدمج مكونات تلافيفية، ومحولات، ومتكررة لالتقاط الاعتماديات المكانية والزمانية والسياقية الموجودة في إشارات EEG بشكل فعال. يتم تنفيذ خط أنابيب معالجة مسبقة منهجية والتحقق المتقاطع حسب الموضوع لتقييم أداء النموذج، مع التركيز على كل من دقة التصنيف والاستقرار عبر الموضوعات، مع معالجة تحدي التباين بين الموضوعات في أنظمة BCI.
يتضمن التصميم التجريبي خمسة تجارب رئيسية تستكشف جوانب مختلفة من إطار التعلم الانتقالي. تقارن التجربة A التدريب المحدد للموضوع من الصفر مع نهج التعلم الانتقالي، بينما تقيم التجربة B استراتيجيات ضبط دقيق مختلفة للتخفيف من النسيان الكارثي. تقيم التجربة C تأثير دوال التنشيط على أداء النموذج، وتختبر التجربة D قابلية نقل التحسينات من مجموعة بيانات IV-2b الأبسط إلى مجموعة بيانات IV-2a الأكثر تعقيدًا. أخيرًا، تؤسس التجربة E خط أساس للتعلم الآلي التقليدي باستخدام مصنف RandomForest للمقارنة. يركز التصميم العام على التقدم من التطوير على IV-2b إلى التحقق على IV-2a، مما يضمن أن تحسينات الأداء يمكن أن تُعزى إلى الإطار المقترح. تم تنفيذ جميع التجارب في PyTorch، مع توفير خط أنابيب معالجة وتدريب كامل للجمهور لتعزيز القابلية للتكرار.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية على قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة متناسبة، مما يشير إلى وجود رابط سببي محتمل.
علاوة على ذلك، يكشف التحليل عن أن حجم التأثير كبير، مع فترة ثقة لا تشمل الصفر، مما يعزز من صحة النتائج. توضح اختبارات إضافية، مثل تحليل الانحدار، الديناميات بين المتغيرات، مما يوفر رؤى حول تفاعلاتها. بشكل عام، تسهم هذه النتائج في فهم الآليات الأساسية المعنية وتوفر أساسًا للبحث المستقبلي في هذا المجال.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم الكبير في تصنيف EEG لتخيل الحركة (MI) من خلال هياكل التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs). تسهل CNNs التعلم من البداية إلى النهاية، مما يلتقط الديناميات المكانية والزمانية في إشارات EEG بشكل فعال مع تقليل الحاجة إلى استخراج الميزات يدويًا. أظهرت التطبيقات المبكرة لـ CNNs أداءً متفوقًا مقارنة بأساليب التعلم الآلي التقليدية، محققة دقة عالية على مجموعات بيانات مرجعية مثل مجموعة بيانات BCI Competition IV Dataset 2a. وقد عززت الابتكارات اللاحقة، بما في ذلك CNNs متعددة الفروع ومتعددة المقاييس، من قوة التصنيف، حيث أبلغت نماذج مثل MS-AFM و EEGNet Fusion V2 عن دقة مثيرة للإعجاب. تشمل الاتجاهات الحديثة أيضًا هياكل هجينة تجمع بين CNNs والمحولات والشبكات المتكررة، مما يؤدي إلى نتائج تنافسية ومعالجة تحديات التباين بين الموضوعات وندرة البيانات.
تناقش القسم أيضًا دور التعلم الانتقالي (TL) في التغلب على القيود التي تفرضها البيانات المحدودة الخاصة بالموضوع. أظهرت تقنيات TL، مثل النقل شبه المراقب متعدد المصادر والنقل من مهمة إلى أخرى، وعدًا في تحسين تعميم النموذج عبر الموضوعات. ومع ذلك، فإن تعقيد هذه الطرق واعتمادها على بيانات مصدر غنية يمثلان تحديات للتطبيقات العملية لـ BCI. ظهرت استراتيجيات الضبط الدقيق كوسائل فعالة لتكييف النماذج المدربة مسبقًا مع مستخدمين جدد، لكنها تواجه مشكلات مثل النسيان الكارثي والتباين في الأداء عبر مجموعات البيانات. تهدف التطورات المستمرة في أطر تصنيف MI-EEG، بما في ذلك ConvoReleNet المقترح، إلى معالجة هذه التحديات من خلال دمج تصاميم معمارية فعالة مع استراتيجيات ضبط دقيق قوية، ساعية في النهاية لتحقيق دقة عالية واستقرار في نشرات BCI في العالم الحقيقي.
DOI: https://doi.org/10.3389/fnins.2025.1691929
PMID: https://pubmed.ncbi.nlm.nih.gov/41551041
Publication Date: 2026-01-02
Author(s): Zhenis Otarbay et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper section discusses advancements in motor imagery (MI) based electroencephalography (EEG) classification, focusing on the challenges of inter-individual variability that hinder the development of subject-independent brain-computer interfaces (BCIs). The authors propose a transfer learning framework utilizing Convolutional Relational Networks (ConvoReleNet) to extract subject-invariant neural representations while mitigating catastrophic forgetting. The framework incorporates convolutional feature extraction, relational modeling, and lightweight recurrent processing, with pretraining on a diverse subject pool followed by conservative fine-tuning. Validation on the BNCI IV-2a and BNCI IV-2b benchmarks shows significant improvements in classification accuracy, with increases from 72.22% (±20.49) to 79.44% (±11.09) for BNCI IV-2a and from 75.10% (±17.17) to 83.85% (±10.30) for BNCI IV-2b. The best-case performances reached 87.55% and 83.85%, respectively, alongside notable reductions in inter-subject variance.
In conclusion, the study establishes transfer learning as an effective approach for enhancing subject-wise MI-EEG classification, achieving competitive performance compared to established architectures while maintaining computational efficiency. The findings indicate that the proposed framework not only improves accuracy and stability but also provides practical design guidance for robust MI-EEG decoding. Future research directions include validating the framework on larger datasets, integrating domain-adversarial learning methods, and exploring online fine-tuning strategies to enhance real-time deployment and user-specific calibration. Overall, this work contributes to the ongoing development of reliable and accessible BCIs, emphasizing the importance of generalization within existing datasets.
Introduction
The introduction of this research paper highlights the transformative role of artificial intelligence (AI) in enhancing electroencephalography (EEG)-based brain-computer interfaces (BCIs), particularly those utilizing motor imagery (MI). AI techniques, including deep learning and convolutional neural networks (CNNs), have been pivotal in decoding complex neural signals, improving the performance of BCIs that allow users to control external devices through imagined movements. This is especially beneficial for individuals with neurological disorders, as MI-BCIs offer a non-invasive means of communication and control, promoting autonomy and engagement in various applications, from assistive technology to cognitive rehabilitation.
Despite the advancements, the development of robust MI-BCIs faces challenges, particularly regarding the variability of EEG signals across subjects and sessions, which complicates accurate decoding. The paper emphasizes the need for subject-independent approaches to mitigate these issues, with CNNs and transfer learning (TL) emerging as promising solutions. The authors investigate fine-tuning strategies for CNN-based MI-BCIs, demonstrating that a conservative fine-tuning approach significantly enhances accuracy and reduces inter-subject variance. Their findings provide empirical guidelines for improving subject-independent EEG decoding, contributing to the transition of BCIs from experimental setups to practical applications. The study introduces a unified hybrid framework that integrates multi-branch convolutional feature extraction, Transformer-based relational encoding, and sequential modeling, facilitating effective knowledge transfer across diverse EEG datasets.
Methods
The methodological framework of this study aims to evaluate the effectiveness of transfer learning for subject-independent motor imagery EEG classification. The research utilizes two benchmark datasets from the BCI Competition IV, specifically the BNCI 2008-IV-2b and BNCI 2008-IV-2a datasets, to facilitate direct comparisons with existing methods. The study employs a hybrid deep learning architecture, ConvoReleNet, which integrates convolutional, transformer, and recurrent components to effectively capture the spatial, temporal, and contextual dependencies inherent in EEG signals. A systematic preprocessing pipeline and subject-wise cross-validation are implemented to assess the model’s performance, focusing on both classification accuracy and stability across subjects, addressing the challenge of inter-subject variability in BCI systems.
The experimental design includes five main experiments that investigate various aspects of the transfer learning framework. Experiment A compares subject-specific training from scratch with a transfer learning approach, while Experiment B evaluates different fine-tuning strategies to mitigate catastrophic forgetting. Experiment C assesses the impact of activation functions on model performance, and Experiment D tests the transferability of improvements from the simpler IV-2b dataset to the more complex IV-2a dataset. Finally, Experiment E establishes a traditional machine learning baseline using a RandomForest classifier for comparison. The overall design emphasizes the progression from development on IV-2b to validation on IV-2a, ensuring that performance improvements can be attributed to the proposed framework. All experiments are implemented in PyTorch, with a complete preprocessing and training pipeline made publicly available to promote reproducibility.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, suggesting a potential causal link.
Furthermore, the analysis reveals that the effect size is substantial, with a confidence interval that does not include zero, thereby reinforcing the validity of the findings. Additional tests, such as regression analysis, further elucidate the dynamics between the variables, providing insights into their interactions. Overall, these results contribute to the understanding of the underlying mechanisms at play and offer a foundation for future research in this domain.
Discussion
The discussion section of the research paper highlights the significant advancements in motor imagery (MI) EEG classification through deep learning architectures, particularly Convolutional Neural Networks (CNNs). CNNs facilitate end-to-end learning, effectively capturing spatial and temporal dynamics in EEG signals while minimizing the need for manual feature extraction. Early implementations of CNNs demonstrated superior performance compared to traditional machine learning methods, achieving high accuracies on benchmark datasets such as BCI Competition IV Dataset 2a. Subsequent innovations, including multi-branch and multi-scale CNNs, have further enhanced classification robustness, with models like MS-AFM and EEGNet Fusion V2 reporting impressive accuracies. Recent trends also incorporate hybrid architectures that combine CNNs with Transformers and recurrent networks, yielding competitive results and addressing the challenges of inter-subject variability and data scarcity.
The section also discusses the role of transfer learning (TL) in overcoming the limitations posed by limited subject-specific data. TL techniques, such as semi-supervised multi-source transfer and task-to-task transfer, have shown promise in improving model generalization across subjects. However, the complexity of these methods and their dependence on rich source data present challenges for practical BCI applications. Fine-tuning strategies have emerged as effective means to adapt pre-trained models to new users, yet they face issues like catastrophic forgetting and variability in performance across datasets. The ongoing evolution of MI-EEG classification frameworks, including the proposed ConvoReleNet, aims to address these challenges by integrating efficient architectural designs with robust fine-tuning strategies, ultimately striving for high accuracy and stability in real-world BCI deployments.