DOI: https://doi.org/10.1038/s41598-026-44052-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41840016
تاريخ النشر: 2026-03-16
المؤلف: Adi Alhudhaif
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم الدراسة إطار عمل حسابي جديد لاختيار القنوات في أنظمة واجهة الدماغ-الكمبيوتر (BCI) الهجينة EEG-fNIRS، مع التركيز على الكفاءة ودقة التصنيف. من خلال استخدام مقاييس التشابه الزمني المعتمدة على المسافة، وخاصة المسافات الإقليدية ومانهاتن، ينجح الإطار في القضاء على أكثر من 50% من القنوات مع الحفاظ على أداء التصنيف أو حتى تحسينه في بعض التكوينات. يقلل هذا النهج بشكل كبير من زمن الاستجابة، مما يجعله مناسبًا للتطبيقات في الوقت الحقيقي، ويتناقض مع الأساليب المعقدة الحالية أو أساليب التعلم العميق التي تتطلب موارد حسابية عالية.
تتمثل إحدى المساهمات المنهجية الرئيسية في التحليل المقارن لمقاييس النزعة المركزية—المتوسط والوسيط—لتحديد عتبات إلغاء القنوات. تشير النتائج إلى أن الاختيار بين هذه المقاييس يعتمد على المهمة، حيث أثبت الوسيط فعاليته بشكل أكبر في مجموعات البيانات عالية الأبعاد، لا سيما في التخفيف من تأثير العوامل الفسيولوجية. تتماشى منطق اختيار الخوارزمية مع المبادئ العصبية الفسيولوجية، مما يعطي الأولوية لمناطق الدماغ ذات الصلة بالمهام المحددة، وبالتالي يثبت استخدام مقاييس المسافة الزمنية في التقاط النشاط الدماغي ذي الأهمية الوظيفية. تحقق الطريقة المقترحة مستويات دقة تنافسية (94.36% لمهمة P300 Speller) مع تقليل كبير في أوقات المعالجة (0.11-0.20 ثانية)، مما يبرز قابليتها العملية لأنظمة BCI في العالم الحقيقي ومعالجة التحديات التي تطرحها البيانات عالية الأبعاد.
الطرق
تركز قسم المنهجية في ورقة البحث على تطوير واجهة الدماغ-الكمبيوتر (BCI) التي تهدف إلى تسهيل التواصل للأفراد ذوي الإعاقات الحركية الشديدة. تتناول الدراسة التحديات التي تطرحها الطبيعة غير الثابتة وعالية الأبعاد لإشارات الدماغ، مما يتطلب جمع بيانات واسعة ويؤدي إلى مجموعات بيانات كبيرة تعقد المعالجة والتحليل. الهدف الرئيسي هو تقليل أبعاد البيانات مع الحفاظ على سلامة المعلومات الأصلية. يقترح المؤلفون خوارزمية اختيار قنوات تعتمد على المسافة وفعالة حسابيًا لتحسين اختيار القنوات، مما يقلل بشكل كبير من عدد القنوات المستخدمة دون التضحية بأداء التصنيف.
تُعرض النتائج التجريبية عبر ثلاث مهام معرفية: تخيل الحركة (MI)، الحساب الذهني (MA)، وP300 Speller. تشير النتائج إلى أن خوارزميات اختيار القنوات المقترحة، التي تستخدم كل من مقاييس المسافة الإقليدية ومانهاتن، قللت بشكل فعال من الحمل الحسابي مع الحفاظ على الدقة أو تحسينها. على سبيل المثال، في مهمة MI، حقق النموذج الهجين الذي يجمع بين EEG والهيموغلوبين غير المؤكسد (EEG + HHb) دقة قصوى تبلغ 61.90% مع مصنف SVM. في مهمة MA، حقق نفس التكوين الهجين دقة تبلغ 74.71%، مما يوضح الفوائد التآزرية لدمج الميزات الكهربائية والهيموديناميكية. أظهرت مجموعة بيانات P300 Speller أعلى أداء تصنيفي، حيث حقق مصنف LDA دقة تبلغ 96.03%. بشكل عام، تؤكد الدراسة على أهمية طرق اختيار القنوات في تعزيز أداء BCI، لا سيما في التطبيقات في الوقت الحقيقي، مع تسليط الضوء أيضًا على التأثيرات المتنوعة لمقاييس النزعة المركزية (المتوسط مقابل الوسيط) على نتائج التصنيف عبر مهام مختلفة.
النتائج
يقيم قسم النتائج فعالية خوارزميات اختيار القنوات المقترحة في تقليل الأبعاد عبر ثلاث مهام معرفية: تخيل الحركة (MI)، الحساب الذهني (MA)، وP300 Speller. أظهرت الخوارزميات تقليصًا كبيرًا في عدد القنوات المحتفظ بها، حيث حققت تقليصًا يقارب 50% في عدد القنوات، مما يخفف من التعقيد الحسابي. بالنسبة لمجموعات بيانات EEG المكونة من 30 قناة، تراوحت القنوات المختارة بين 15-17، بينما تم تقليل مجموعات بيانات fNIRS المكونة من 36 قناة إلى 18-24. شهدت مهمة Speller المكونة من 64 قناة تقليصًا إلى 31-40 قناة. من الجدير بالذكر أن طريقة الاختيار المعتمدة على الوسيط تفوقت على الطريقة المعتمدة على المتوسط من حيث القوة، حيث أظهرت انحرافات معيارية أقل (0.9 إلى 2.4) مقارنة بطريقة المتوسط (2.4 إلى 6.0)، مما يشير إلى اختيار أكثر اتساقًا للقنوات عبر المهام.
كشفت التصورات الطوبوغرافية أن القنوات المختارة تتوافق بشكل أساسي مع مناطق الدماغ المعروفة بمشاركتها في المهام المعرفية المعنية. بالنسبة لمهمة الحساب الذهني، لوحظ نشاط كبير في المناطق الجبهية وما قبل الجبهية، مما يتماشى مع الحمل المعرفي المرتبط بالعمليات الحسابية. سلطت مهمة تخيل الحركة الضوء على اختيار القنوات حول القشرة الحسية الحركية، بينما أظهرت مهمة P300 Speller تركيزًا للقنوات المختارة في المناطق الجدارية والصدغية، بما يتماشى مع إمكانيات الحدث P300 (ERP). بشكل عام، تؤكد النتائج فعالية إطار اختيار القنوات المعتمد على المسافة، مما يظهر عدم حساسيته لاختيار مقياس المسافة وقدرته على الاحتفاظ بالميزات الفسيولوجية ذات الصلة عبر المهام المختلفة.
المناقشة
تقدم الدراسة خوارزمية جديدة لاختيار القنوات تعتمد على المسافة تهدف إلى تعزيز كفاءة أنظمة واجهة الدماغ-الكمبيوتر (BCI) متعددة الوسائط EEG-fNIRS. باستخدام مجموعتين من البيانات العامة، تظهر الأبحاث أن الطريقة المقترحة تقلل بشكل كبير من التعقيد الحسابي بأكثر من 50% مع الحفاظ على دقة تصنيف عالية، حيث تصل إلى 94.36%. إحدى النتائج الرئيسية هي تفوق طريقة العتبة المعتمدة على الوسيط على طريقة المتوسط لاختيار القنوات، لا سيما في المهام الحساسة للضوضاء، مثل الحساب الذهني وP300. لا يتماشى هذا النهج فقط مع التوقعات العصبية الفسيولوجية، بل يوفر أيضًا حلاً عمليًا لتطبيقات BCI في الوقت الحقيقي من خلال تحقيق توازن بين الدقة وسرعة المعالجة.
تشير النتائج إلى أن الإطار المقترح يلتقط بشكل فعال النشاط الدماغي ذي الأهمية الوظيفية دون الاعتماد على الافتراضات التشريحية، كما يتضح من خرائط الحرارة الطوبوغرافية التي تعطي الأولوية لمناطق الدماغ ذات الصلة بالمهام المحددة. مقارنةً بالأساليب الحالية، تظهر الخوارزمية المقترحة دقة تنافسية مع تقليل كبير في أوقات اتخاذ القرار إلى ما بين 0.11 و0.20 ثانية، مما يجعلها مناسبة لتطبيقات التكنولوجيا العصبية المحمولة. بشكل عام، تقدم هذه الدراسة بديلاً مبسطًا وفعالًا للمنهجيات التقليدية لـ BCI، مع التأكيد على أهمية المقاييس الإحصائية في اختيار القنوات وإمكانية التنفيذ في العالم الحقيقي.
DOI: https://doi.org/10.1038/s41598-026-44052-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41840016
Publication Date: 2026-03-16
Author(s): Adi Alhudhaif
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The study presents a novel computational framework for channel selection in hybrid EEG-fNIRS Brain-Computer Interface (BCI) systems, emphasizing efficiency and classification accuracy. By employing distance-based temporal similarity metrics, specifically Euclidean and Manhattan distances, the framework successfully eliminates over 50% of channels while maintaining or even enhancing classification performance in certain configurations. This approach significantly reduces latency, making it suitable for real-time applications, and contrasts with existing complex heuristic or deep learning methods that demand high computational resources.
A key methodological contribution is the comparative analysis of central tendency measures—Mean and Median—for establishing channel elimination thresholds. The findings indicate that the choice between these measures is task-dependent, with the Median proving more effective in high-dimensional datasets, particularly in mitigating the impact of physiological artifacts. The algorithm’s selection logic aligns with neurophysiological principles, prioritizing relevant brain regions for specific tasks, thus validating the use of temporal distance metrics in capturing functionally significant brain activity. The proposed method achieves competitive accuracy levels (94.36% for the P300 Speller task) with significantly reduced processing times (0.11-0.20 seconds), highlighting its practical applicability for real-world BCI systems and addressing the challenges posed by high-dimensional data.
Methods
The methodology section of the research paper focuses on the development of a Brain-Computer Interface (BCI) aimed at facilitating communication for individuals with severe motor disabilities. The study addresses the challenges posed by the non-stationary and high-dimensional nature of brain signals, which necessitate extensive data acquisition and lead to large datasets that complicate processing and analysis. A key objective is to reduce data dimensionality while preserving the integrity of the original information. The authors propose a computationally efficient, distance-based channel selection algorithm to optimize the selection of channels, significantly reducing the number of channels used without sacrificing classification performance.
Experimental results are presented across three cognitive tasks: Motor Imagery (MI), Mental Arithmetic (MA), and the P300 Speller. The findings indicate that the proposed channel selection algorithms, utilizing both Euclidean and Manhattan distance metrics, effectively reduced computational load while maintaining or enhancing accuracy. For instance, in the MI task, the hybrid model combining EEG and deoxygenated hemoglobin (EEG + HHb) achieved a peak accuracy of 61.90% with the SVM classifier. In the MA task, the same hybrid configuration yielded an accuracy of 74.71%, demonstrating the synergistic benefits of combining electrical and hemodynamic features. The P300 Speller dataset exhibited the highest classification performance, with the LDA classifier achieving 96.03% accuracy. Overall, the study underscores the importance of channel selection methods in enhancing BCI performance, particularly in real-time applications, while also highlighting the varying impacts of central tendency measures (Mean vs. Median) on classification outcomes across different tasks.
Results
The results section evaluates the effectiveness of proposed channel selection algorithms in reducing dimensionality across three cognitive tasks: Mental Imagery (MI), Mental Arithmetic (MA), and P300 Speller. The algorithms demonstrated a significant reduction in the number of retained channels, achieving approximately 50% reduction in channel count, which alleviates computational complexity. For the 30-channel EEG datasets, the selected channels averaged between 15-17, while the 36-channel fNIRS datasets were reduced to 18-24. The 64-channel Speller task saw a reduction to 31-40 channels. Notably, the Median-based selection method outperformed the Mean-based method in terms of robustness, exhibiting lower standard deviations (0.9 to 2.4) compared to the Mean method (2.4 to 6.0), indicating a more consistent selection of channels across tasks.
Topographic visualizations revealed that the selected channels predominantly corresponded to brain regions known for their involvement in the respective cognitive tasks. For the Mental Arithmetic task, significant activity was observed in the frontal and prefrontal regions, aligning with the cognitive load associated with arithmetic operations. The Motor Imagery task highlighted channel selection around the sensorimotor cortex, while the P300 Speller task showed a concentration of selected channels in the parietal and occipital regions, consistent with the P300 Event-Related Potential (ERP). Overall, the findings affirm the efficacy of the distance-based channel selection framework, demonstrating its insensitivity to the choice of distance metric and its ability to retain physiologically relevant features across different tasks.
Discussion
The study presents a novel distance-based channel selection algorithm aimed at enhancing the efficiency of multi-modal EEG-fNIRS Brain-Computer Interface (BCI) systems. Utilizing two public datasets, the research demonstrates that the proposed method significantly reduces computational complexity by over 50% while maintaining high classification accuracy, achieving up to 94.36%. A key finding is the superiority of the Median-based thresholding method over the Mean method for channel selection, particularly in tasks sensitive to noise, such as Mental Arithmetic and P300. This approach not only aligns with neurophysiological expectations but also provides a practical solution for real-time BCI applications by balancing accuracy and processing speed.
The results indicate that the proposed framework effectively captures functionally significant brain activity without relying on anatomical priors, as evidenced by topographic heat maps that prioritize relevant brain regions for specific tasks. Compared to existing methods, the proposed algorithm demonstrates competitive accuracy while significantly reducing decision times to between 0.11 and 0.20 seconds, making it suitable for portable neurotechnology applications. Overall, this study offers a streamlined, efficient alternative to traditional BCI methodologies, emphasizing the importance of statistical metrics in channel selection and the potential for real-world implementation.