DOI: https://doi.org/10.1038/s41597-025-04826-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40122923
تاريخ النشر: 2025-03-23
المؤلف: Banghua Yang وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
في هذه الدراسة، يتناول المؤلفون تحديًا كبيرًا في تطوير واجهات الدماغ-الكمبيوتر (BCIs) المعتمدة على تخطيط الدماغ الكهربائي (EEG)، تحديدًا التباين ونسبة الإشارة إلى الضوضاء المنخفضة المرتبطة بمهام تخيل الحركة (MI) عبر عدة أيام. للتخفيف من هذه القضايا، يؤكدون على أهمية مجموعة بيانات كبيرة وموثوقة لتعلم الأنماط عبر الجلسات والأشخاص. تم جمع مجموعة البيانات خلال مسابقة مؤتمر الروبوتات العالمي 2019 – مسابقة روبوت BCI، والتي تضمنت تسجيلات EEG من 62 مشاركًا صحيًا عبر ثلاث جلسات.
تشمل مجموعة البيانات نموذجين: مهام من فئتين (قبض اليد اليسرى واليمنى) ومهام من ثلاث فئات (قبض اليد اليسرى واليمنى، والتعلق بالقدم). تشير النتائج إلى أن مهام الفئتين حققت دقة تصنيف متوسطة بلغت 85.32% باستخدام EEGNet، بينما وصلت مهام الفئات الثلاث إلى دقة قدرها 76.90% مع deepConvNet. يتوقع المؤلفون أن تسهم هذه المجموعة الشاملة من البيانات، التي تشمل كل من البيانات الخام والمعالجة مسبقًا، في تسهيل المزيد من الأبحاث في MI-BCI، خاصة في التغلب على التحديات المتعلقة بتباين الجلسات والأشخاص.
مقدمة
تناقش مقدمة هذه الورقة البحثية التقدمات والأهمية لواجهات الدماغ-الكمبيوتر (BCIs)، خاصة تلك التي تستخدم تخيل الحركة (MI) للتطبيقات العلاجية، مثل إعادة التأهيل بعد السكتة الدماغية. تتيح BCIs للمستخدمين التحكم في الأجهزة من خلال النشاط العصبي، الذي يتم تحليله بشكل أساسي عبر تقنيات غير جراحية مثل تخطيط الدماغ الكهربائي (EEG)، والذي يُفضل لعمليته وفعاليته من حيث التكلفة. تسلط الورقة الضوء على قيود مجموعات بيانات EEG MI الحالية، مثل أحجام العينات الصغيرة ودقة التصنيف المنخفضة، والتي تعيق تطوير خوارزميات قوية.
لمعالجة هذه التحديات، يقدم المؤلفون مجموعة بيانات جديدة شاملة لـ MI-BCI تشمل بيانات من 62 موضوعًا عبر ثلاث جلسات تسجيل، مع ميزتين: حركات الأطراف العلوية ومهمة التعلق بالقدم. تُظهر مجموعة البيانات دقة فك تشفير متوسطة محسنة تبلغ 85.3% و76.9% لنموذجي المهام الثنائية والثلاثية، على التوالي، باستخدام خوارزميات متطورة. تهدف هذه المجموعة من البيانات، المتاحة للجمهور، إلى تعزيز البحث في أنظمة MI-BCI من خلال توفير بيانات عالية الجودة وبحجم كبير تدعم أساليب تحليلية متنوعة، بما في ذلك التعلم العميق. يستكشف المؤلفون أيضًا أنماط تنشيط EEG عبر المهام ويقترحون أن مجموعة البيانات يمكن أن تسهل المزيد من الدراسات حول الأمية في BCI والاختلافات في أداء MI بين الأشخاص.
الطرق
توضح قسم الطرق في الدراسة تصميم التجربة وإجراءات جمع البيانات المستخدمة خلال مسابقة مؤتمر الروبوتات العالمي 2019 – مسابقة روبوت BCI MI (WBCIC-MI). قدمت هذه المسابقة بيئة منظمة للمشاركين للانخراط في مهام تخيل الحركة (MI)، مما أسفر عن بيانات تخطيط دماغ كهربائي (EEG) عالية الجودة. تم إنشاء مجموعتين متميزتين من البيانات، تركزان على مهام MI لأطراف مختلفة: قبض اليد اليسرى، قبض اليد اليمنى، والتعلق بالقدم، حيث تم تعريف الأخيرة على أنها رفع إصبع القدم مع إبقاء الكعب ثابتًا بزاوية 45 درجة.
خضع المشاركون لثلاث جلسات تسجيل على مدار أيام مختلفة، استمرت كل منها حوالي 35-48 دقيقة. تضمنت كل جلسة فترات فتح وإغلاق العين، تلتها خمس كتل من MI. تم تقديم إشارات بصرية وسمعية لتوجيه المشاركين خلال المهام، حيث استمرت كل تجربة لمدة 7.5 ثوانٍ. تضمنت الثواني 1.5 الأولى تقديم الإشارة، تلتها فترة MI مدتها 4 ثوانٍ حيث قام المشاركون بممارسة المهام ذهنيًا. أخذ تصميم التجربة في الاعتبار التباين بين الجلسات والأشخاص، مع إجمالي 200 تجربة لكل جلسة لمجموعة البيانات ذات الشرطين و300 تجربة لمجموعة البيانات ذات الثلاثة شروط، مما يضمن تمثيلًا متوازنًا لمهام MI.
المناقشة
في هذه الدراسة، أجرى المؤلفون تجارب شملت 62 مشاركًا صحيًا، من ذوي اليد اليمنى، معظمهم من طلاب الجامعات، لتقييم تخيل الحركة (MI) باستخدام تقنية واجهة الدماغ-الكمبيوتر (BCI). تم فحص المشاركين بعناية من حيث الحالات الصحية وقدموا موافقة مستنيرة، مع موافقة أخلاقية من لجنة الأخلاقيات الطبية بجامعة تسينغhua. استخدمت التجارب قبعة EEG لاسلكية تحتوي على 64 قناة، تم تكوينها وفقًا للنظام الدولي 10-20، لجمع بيانات EEG عالية الجودة مع ضمان خصوصية وسلامة المشاركين. تم إجراء معالجة البيانات باستخدام أداة EEGLAB في MATLAB، والتي شملت اختيار القنوات، وإعادة الإشارة، والترشيح، واستخراج الفترات، وتقليل العينة لتعزيز وضوح الإشارة.
تم التحقق من مجموعة البيانات الناتجة من التجارب بدقة مقابل مجموعات بيانات EEG الحالية، تحديدًا مجموعات BCI IV-2a وOpenBMI. أفاد المؤلفون بدقة تصنيف متفوقة بلغت 85.31% لمجموعة البيانات ذات الفئتين و76.90% لمجموعة البيانات ذات الفئات الثلاث، متجاوزين أداء مجموعات البيانات المقارنة. يُعزى هذا التحسن إلى حجم المشاركين الأكبر، وتضمين مهام متعددة، والحصول على إشارة عالية الجودة. تؤكد النتائج على إمكانية مجموعة البيانات في تعزيز أبحاث MI-BCI وتطبيقها في تطوير خوارزميات تصنيف قوية. تم اقتراح اتجاهات البحث المستقبلية لاستكشاف مساهمات مجموعة البيانات في تحسين أنظمة BCI.
DOI: https://doi.org/10.1038/s41597-025-04826-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40122923
Publication Date: 2025-03-23
Author(s): Banghua Yang et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
In this study, the authors address a significant challenge in the development of electroencephalography (EEG)-based brain-computer interfaces (BCIs), specifically the variability and low signal-to-noise ratio associated with motor imagery (MI) tasks across multiple days. To mitigate these issues, they emphasize the importance of a large and reliable dataset for learning cross-session and cross-subject patterns. The dataset was collected during the 2019 World Robot Conference Contest-BCI Robot Contest, involving EEG recordings from 62 healthy participants across three sessions.
The dataset encompasses two paradigms: two-class tasks (left and right hand-grasping) and three-class tasks (left and right hand-grasping, and foothooking). The results indicate that the two-class tasks achieved an average classification accuracy of 85.32% using EEGNet, while the three-class tasks reached an accuracy of 76.90% with deepConvNet. The authors anticipate that this comprehensive dataset, which includes both raw and preprocessed data, will facilitate further research in MI-BCI, particularly in overcoming challenges related to cross-session and cross-subject variability.
Introduction
The introduction of this research paper discusses the advancements and significance of brain-computer interfaces (BCIs), particularly those utilizing motor imagery (MI) for therapeutic applications, such as post-stroke rehabilitation. BCIs allow users to control devices through neural activity, primarily analyzed via non-invasive techniques like electroencephalography (EEG), which is favored for its practicality and cost-effectiveness. The paper highlights the limitations of existing MI EEG datasets, such as small sample sizes and low classification accuracy, which hinder the development of robust algorithms.
To address these challenges, the authors present a new comprehensive MI-BCI dataset that includes data from 62 subjects across three recording sessions, featuring two paradigms: upper limb movements and a foot-hooking task. The dataset demonstrates improved average decoding accuracies of 85.3% and 76.9% for the two-task and three-task paradigms, respectively, using state-of-the-art algorithms. This dataset, made publicly available, aims to enhance research in MI-BCI systems by providing high-quality, large-scale data that supports various analytical approaches, including deep learning. The authors also explore EEG activation patterns across tasks and suggest that the dataset can facilitate further studies on BCI illiteracy and the differences in MI performance among subjects.
Methods
The methods section of the study outlines the experimental design and data collection procedures employed during the 2019 World Robot Conference Contest-BCI Robot Contest MI (WBCIC-MI). This contest provided a structured environment for participants to engage in motor imagery (MI) tasks, yielding high-quality electroencephalogram (EEG) data. Two distinct datasets were generated, focusing on different limb MI tasks: left hand-grasping, right hand-grasping, and foot-hooking, the latter defined as lifting the toe while keeping the heel stationary at a 45-degree angle.
Participants underwent three recording sessions over different days, each lasting approximately 35-48 minutes. Each session included eye-opening and eye-closing periods, followed by five MI blocks. Visual and auditory cues were presented to guide participants through the tasks, with each trial lasting 7.5 seconds. The first 1.5 seconds involved cue presentation, followed by a 4-second MI period where participants mentally rehearsed the tasks. The experimental design accounted for inter-session and inter-participant variability, with a total of 200 trials per session for the two-condition dataset and 300 trials for the three-condition dataset, ensuring a balanced representation of the MI tasks.
Discussion
In this study, the authors conducted experiments involving 62 healthy, right-handed participants, primarily university students, to evaluate motor imagery (MI) using brain-computer interface (BCI) technology. Participants were carefully screened for health conditions and provided informed consent, with ethical approval from the Tsinghua University Medical Ethics Committee. The experiments utilized a wireless EEG cap with 64 channels, configured according to the international 10-20 system, to collect high-quality EEG data while ensuring participant privacy and safety. Data preprocessing was performed using the EEGLAB toolbox in MATLAB, which included channel selection, re-referencing, filtering, epoch extraction, and down-sampling to enhance signal clarity.
The dataset generated from the experiments was rigorously validated against existing EEG datasets, specifically the BCI IV-2a and OpenBMI datasets. The authors reported superior classification accuracies of 85.31% for the two-class dataset and 76.90% for the three-class dataset, surpassing the performance of the comparison datasets. This improvement is attributed to the larger participant pool, multiple task inclusion, and high-quality signal acquisition. The findings underscore the dataset’s potential for advancing MI-BCI research and its applicability in developing robust classification algorithms. Future research directions are suggested to further explore the dataset’s contributions to enhancing BCI systems.