DOI: https://doi.org/10.1109/tbme.2026.3686229
PMID: https://pubmed.ncbi.nlm.nih.gov/42060433
تاريخ النشر: 2026-01-01
المؤلف: Yihe Wang وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه الورقة البحثية دراسة شاملة للمعايير حول إمكانيات الأحداث المرتبطة (ERPs)، مع التركيز على مهمتين رئيسيتين: تصنيف نوع التحفيز في ERPs واكتشاف الأمراض الدماغية المعتمدة على ERPs. تقيم الدراسة 15 طريقة مختلفة، بما في ذلك استخراج الميزات اليدوي التقليدي، وأساليب التعلم العميق الخاضعة للإشراف، ونماذج EEG الأساسية المدربة مسبقًا، عبر 12 مجموعة بيانات متاحة للجمهور. تم إنشاء خط أنابيب موحد لمعالجة البيانات والتدريب، وتم استكشاف استراتيجيات مختلفة لتضمين الرموز ضمن هياكل Transformer لتعزيز تحليل بيانات ERPs.
تكشف النتائج الرئيسية من الدراسة أن أساليب التعلم العميق الحديثة تتفوق باستمرار على تقنيات استخراج الميزات اليدوية في مهام ERPs. بالإضافة إلى ذلك، لا تظهر نماذج EEG الأساسية مزايا أداء كبيرة مقارنة بالنماذج الخاضعة للإشراف المدربة من الصفر. من بين الطرق التي تم تقييمها، يظهر EEGConformer أفضل أداء عام لتصنيف ERPs، بينما تظهر تضمين الباتش الأحادي المتغير كأكثر استراتيجية فعالة لهياكل Transformer الخاصة بـ ERPs. تهدف هذه الدراسة المعيارية إلى توجيه الأبحاث المستقبلية واختيار الأساليب في تحليل ERPs، وتعزيز تطوير نماذج أكثر فعالية لتحليل ERPs المتقدم وتعلم التمثيل.
الطرق
في هذه الدراسة، استخدم المؤلفون إعدادًا تجريبيًا منهجيًا لتقييم طرق مختلفة لتصنيف إمكانيات الأحداث المرتبطة (ERPs) عبر مجموعات بيانات متعددة. تم تدريب كل طريقة باستخدام حجم دفعة قدره 128 على مدى 200 حقبة، مع التوقف المبكر بناءً على أفضل نتيجة F1. تم استخدام مُحسِّن AdamW بمعدل تعلم قدره $1 \times 10^{-4}$، تم تعديله عبر CosineAnnealingLR. تم تقييم أداء النموذج باستخدام الدقة، ونتيجة F1، والمساحة تحت منحنى التشغيل الاستقبالي (AUROC). تبعت التقييم بروتوكول التحقق المتقاطع المستقل عن الموضوع، مما يضمن عدم تداخل الموضوعات عبر تقسيمات التدريب والتحقق والاختبار، التي تم تخصيصها بنسبة 6:2:2.
تشير النتائج، الملخصة في الجدول III، إلى أداء طرق مختلفة في مهام تصنيف تحفيز ERPs المختلفة، بما في ذلك تصنيفات الهدف، وغير الهدف، والمشتتات. من الجدير بالذكر أن EEGNet حقق أعلى دقة بنسبة 79.12% على مجموعة بيانات CESCA-AODD، بينما أظهرت ModernTCN وTimesNet أيضًا أداءً تنافسيًا عبر مقاييس متعددة. تسلط الدراسة الضوء على فعالية طرق استخراج الميزات المختلفة، مثل ميزات EEG وERPs، وتأثير بنية النموذج على نتائج التصنيف. تم إجراء جميع التجارب على وحدات معالجة الرسوميات NVIDIA RTX A5000، مع الإبلاغ عن النتائج كمتوسط والانحراف المعياري عبر خمسة بذور عشوائية، وتتوفر تفاصيل التنفيذ الإضافية في مستودع GitHub الخاص بالمؤلفين.
النتائج
تكشف نتائج الدراسة حول تصنيف تحفيز ERPs أن طرقًا مختلفة تم تقييمها تحت إعداد مستقل عن الموضوع، مما يبرز القدرة على تعميم أنماط ERPs المتعلقة بالتحفيز عبر مواضيع مختلفة. حققت الطرق ذات الأداء الأعلى نتائج F1 تتراوح بين 38.51% إلى 69.64% عبر ست مجموعات بيانات، مما يشير إلى تحسين كبير مقارنة بالأداء العشوائي. من الجدير بالذكر أن نماذج الفقاعات البصرية والفلكية أظهرت تمييزًا أكبر مقارنة بنموذج الفقاعات السمعية، مما يشير إلى أن التحفيزات البصرية تثير استجابات عصبية أكثر تميزًا. تفوقت نماذج التعلم العميق المدربة من الصفر باستمرار على النماذج الأساسية الحالية والميزات المستخرجة يدويًا، حيث أظهرت ميزات ERPs أداءً متفوقًا على الميزات العامة لـ EEG في هذا السياق.
في التحقيق في اكتشاف الأمراض المعتمد على ERPs، قامت الدراسة بتقييم الأداء عبر ست مجموعات بيانات تتعلق بالاضطرابات العصبية، محققة نتائج F1 تتراوح بين 66.43% و74.33%. من المثير للاهتمام أن مجموعات البيانات الأصغر لمرض باركنسون حققت أداءً أعلى، على الأرجح بسبب توزيع الموضوعات الأكثر توازنًا. تشير النتائج إلى أنه بينما تتفوق نماذج التعلم العميق، وخاصة تلك المدربة من الصفر، في هذا المجال، لا تتفوق ميزات ERPs بشكل مستمر على الميزات العامة لـ EEG، حيث أظهرت بعض مجموعات البيانات أداءً أقل للميزات الخاصة بـ ERPs. وهذا يشير إلى أن المعلومات المتعلقة بالمرض قد لا تتماشى بشكل وثيق مع مكونات ERPs التقليدية، مما يبرز تعقيد إشارات ERPs في التطبيقات السريرية.
المناقشة
تؤكد قسم المناقشة في الورقة على تطور الطرق لتحليل إمكانيات الأحداث المرتبطة (ERPs) في إشارات تخطيط الدماغ الكهربائي (EEG)، مع تسليط الضوء على كل من تقنيات استخراج الميزات اليدوية والأساليب المتقدمة للتعلم العميق. تتمتع تقنيات استخراج الميزات اليدوية بتاريخ غني، حيث تستخدم ميزات إحصائية وزمنية وطيفية ومعقدة مختلفة لتحديد العلامات الحيوية في إشارات ERPs. ومع ذلك، تشير الورقة إلى أنه بينما توفر هذه الطرق قابلية للتفسير، فإنها غالبًا ما تؤدي أداءً أقل مقارنة بتقنيات التعلم العميق الحديثة، خاصة في أنماط ERPs المتنوعة والظروف السريرية.
أظهرت أساليب التعلم العميق، بما في ذلك الشبكات العصبية التلافيفية (CNNs) والهياكل المعتمدة على المحولات، وعدًا كبيرًا في فك تشفير EEG. أظهرت نماذج مثل EEGConformer وModernTCN أداءً متفوقًا عبر مجموعات بيانات متعددة، محققة تصنيفات متوسطة أقل مقارنة بالطرق التقليدية. تشير النتائج إلى أن نماذج التعلم العميق الخاضعة للإشراف المدربة من الصفر تتفوق باستمرار على كل من الطرق المعتمدة على الميزات اليدوية والنماذج الأساسية لـ EEG الحالية، التي لا تظهر مزايا واضحة في التطبيقات العملية. وهذا يشير إلى تحول نحو أساليب التعلم من النهاية إلى النهاية في تحليل EEG، حيث تتناسب بشكل أفضل مع تعقيدات البيانات في العالم الحقيقي وتعزز أداء التصنيف عبر مهام متنوعة.
DOI: https://doi.org/10.1109/tbme.2026.3686229
PMID: https://pubmed.ncbi.nlm.nih.gov/42060433
Publication Date: 2026-01-01
Author(s): Yihe Wang et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper presents a comprehensive benchmark study on event-related potentials (ERPs), focusing on two primary tasks: ERP stimulus-type classification and ERP-based brain disease detection. The study evaluates 15 different methods, including traditional manual feature extraction, supervised deep learning approaches, and pre-trained EEG foundation models, across 12 publicly available datasets. A unified data preprocessing and training pipeline is established, and various token-embedding strategies within Transformer architectures are explored to enhance ERP data analysis.
Key findings from the study reveal that modern deep learning methods consistently outperform manual feature extraction techniques in ERP tasks. Additionally, EEG foundation models do not demonstrate significant performance advantages over supervised models trained from scratch. Among the evaluated methods, EEGConformer shows the best overall performance for ERP classification, while uni-variate patch embedding emerges as the most effective strategy for ERP-specific Transformer architectures. This benchmark study aims to guide future research and method selection in ERP analysis, promoting the development of more effective models for advanced ERP analysis and representation learning.
Methods
In this study, the authors employed a systematic experimental setup to evaluate various methods for classifying event-related potentials (ERPs) across multiple datasets. Each method was trained using a batch size of 128 over 200 epochs, with early stopping based on the best F1 Score. The AdamW optimizer was utilized with a learning rate of $1 \times 10^{-4}$, adjusted via CosineAnnealingLR. Model performance was assessed using Accuracy, F1 Score, and Area Under the Receiver Operating Characteristic (AUROC). The evaluation followed a subject-independent cross-validation protocol, ensuring no overlap of subjects across training, validation, and test splits, which were allocated in a 6:2:2 ratio.
The results, summarized in Table III, indicate the performance of various methods on different ERP stimulus classification tasks, including target, non-target, and distractor classifications. Notably, EEGNet achieved the highest accuracy of 79.12% on the CESCA-AODD dataset, while ModernTCN and TimesNet also demonstrated competitive performance across multiple metrics. The study highlights the effectiveness of different feature extraction methods, such as EEG and ERP features, and the impact of model architecture on classification outcomes. All experiments were conducted on NVIDIA RTX A5000 GPUs, with results reported as mean and standard deviation across five random seeds, and further implementation details are available in the authors’ GitHub repository.
Results
The results of the study on ERP stimulus classification reveal that various methods were evaluated under a subject-independent setup, highlighting the ability to generalize stimulus-related ERP patterns across different subjects. The top-performing methods achieved F1 scores ranging from 38.51% to 69.64% across six datasets, indicating a significant improvement over random performance. Notably, the visual oddball and flanker paradigms demonstrated greater discriminability compared to the auditory oddball paradigm, suggesting that visual stimuli elicit more distinct neural responses. Deep learning models trained from scratch consistently outperformed existing foundation models and manually extracted features, with ERP-specific features showing superior performance over generic EEG features in this context.
In the investigation of ERP-based disease detection, the study assessed performance across six datasets related to neurological disorders, achieving F1 scores between 66.43% and 74.33%. Interestingly, smaller datasets for Parkinson’s disease yielded higher performance, likely due to more balanced subject distributions. The results indicate that while deep learning models, particularly those trained from scratch, excel in this domain, ERP-specific features do not consistently outperform generic EEG features, with some datasets showing inferior performance for ERP-specific features. This suggests that the disease-related information may not align closely with traditional ERP components, highlighting the complexity of ERP signals in clinical applications.
Discussion
The discussion section of the paper emphasizes the evolution of methods for analyzing event-related potentials (ERPs) in electroencephalography (EEG) signals, highlighting both manual feature extraction techniques and advanced deep learning approaches. Manual feature extraction has a rich history, utilizing various statistical, time-domain, spectral, and complexity features to identify biomarkers in ERP signals. However, the paper notes that while these methods provide interpretability, they often underperform compared to modern deep learning techniques, particularly in diverse ERP paradigms and clinical conditions.
Deep learning methods, including convolutional neural networks (CNNs) and transformer-based architectures, have shown significant promise in EEG decoding. Models such as EEGConformer and ModernTCN have demonstrated superior performance across multiple datasets, achieving lower average ranks compared to traditional methods. The findings indicate that supervised deep learning models trained from scratch consistently outperform both manual feature-based methods and existing EEG foundation models, which do not exhibit clear advantages in practical applications. This suggests a shift towards end-to-end learning approaches in EEG analysis, as they better accommodate the complexities of real-world data and enhance classification performance across various tasks.