DOI: https://doi.org/10.1007/s11432-025-4736-2
تاريخ النشر: 2026-05-15
المؤلف: Xiaoqing Chen وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم ورقة البحث إطار عمل جديد يسمى نموذج الإطار القائم على المحاذاة (AFPM) يهدف إلى تحسين فك تشفير EEG لواجهات الدماغ-الكمبيوتر (BCIs)، لا سيما في سياق تحديات التعلم عبر مجموعات البيانات والتعميم. تنشأ هذه التحديات من عدم التناسق في تخطيطات القنوات، وتوزيعات الإشارات غير الثابتة، وعدم كفاية دمج المعطيات العصبية السابقة. يتكون إطار AFPM من مكونين رئيسيين: (1) المحاذاة المكانية، التي تحدد القنوات ذات الصلة بالمهام بناءً على المعطيات السابقة لمناطق الدماغ، وتقوم بمحاذاة توزيعات EEG عبر مجموعات بيانات مختلفة، وتوحيد تخطيط القنوات؛ و(2) ترميز الإطار-الرقعة، الذي يجمع إشارات متعددة من مجموعات البيانات في رقع زمانية مكانية متماسكة لتحسين فك تشفير EEG.
يظهر إطار AFPM المقترح تحسينات كبيرة في الأداء مقارنة بـ 17 طريقة متطورة تتطلب ضبطًا خاصًا بمجموعات البيانات، محققًا مكاسب تصل إلى 4.40% لمهام تخيل الحركة و3.58% لمهام الجهد المرتبط بالحدث. ومن الجدير بالذكر أن هذا الإطار هو الأول من نوعه الذي لا يتطلب معايرة لفك تشفير EEG عبر مجموعات البيانات، مما يمثل تقدمًا كبيرًا في قابلية تطبيق BCIs في السيناريوهات العملية.
مقدمة
تناقش مقدمة ورقة البحث هذه التقدمات والتحديات في واجهات الدماغ-الكمبيوتر (BCIs)، التي تسهل التواصل المباشر بين الدماغ البشري والأجهزة الخارجية لمجموعة متنوعة من التطبيقات، بما في ذلك إعادة التأهيل العصبي والتحكم الروبوتي. يتم تصنيف BCIs إلى أنواع غير جراحية، وجزئيًا جراحية، وجراحية، حيث تعتبر الطرق غير الجراحية، وخاصة تلك التي تستخدم إشارات تخطيط الدماغ الكهربائي (EEG) من فروة الرأس، الأكثر شيوعًا بسبب سلامتها وسهولة استخدامها. لقد عززت التطورات الأخيرة في التعلم الآلي، وخاصة تقنيات التعلم العميق، قدرات فك تشفير EEG بشكل كبير. ومع ذلك، فإن طرق التعلم الانتقالي الحالية لـ EEG محدودة بسبب اعتمادها على عدد قليل من مجموعات البيانات المصدر والحاجة إلى بيانات المعايرة لمعالجة التباينات عبر الأفراد والجلسات.
للتغلب على هذه القيود، يقترح المؤلفون إطار عمل جديد يسمى نموذج الإطار القائم على المحاذاة (AFPM)، والذي تم تصميمه لتعلم EEG عبر مجموعات البيانات دون الحاجة إلى معايرة مجال الهدف. يتكون AFPM من مكونين رئيسيين: المحاذاة المكانية (SA)، التي تختار القنوات ذات الصلة بناءً على رؤى عصبية وتنسق توزيعات الإشارات، وترميز الإطار-الرقعة (FPE)، الذي ينشئ رقع زمانية مكانية متزامنة لالتقاط أنماط النشاط العصبي الأساسية. يظهر الإطار نتائج واعدة، محققًا تحسينات في الأداء تصل إلى 4.40% في مهام تخيل الحركة و3.58% في مهام الجهد المرتبط بالحدث مقارنة بالنماذج المتطورة، مما يوفر حلاً قابلاً للتوسع لتدريب EEG المسبق والتطبيقات العملية في مجالات مثل إعادة تأهيل السكتة الدماغية.
الطرق
تحدد قسم المنهجية النهج المنهجي المستخدم في البحث. يبدأ بوصف تصميم الدراسة، الذي يتضمن معايير اختيار المشاركين وإعداد التجربة. استخدم الباحثون نهجًا كميًا، حيث قاموا بإجراء تحليلات إحصائية لتقييم البيانات المجمعة. يتم تفصيل طرق جمع البيانات المحددة، مثل الاستطلاعات أو المهام التجريبية، لضمان إمكانية تكرار الدراسة.
علاوة على ذلك، يناقش القسم التقنيات التحليلية المطبقة، بما في ذلك أي اختبارات إحصائية ذات صلة استخدمت لتقييم دلالة النتائج. كما يتناول الباحثون التحيزات والقيود المحتملة في منهجيتهم، موفرين مبررًا لطرقهم المختارة وكيف تتماشى مع أهداف البحث. بشكل عام، تم تصميم المنهجية لضمان نتائج قوية وموثوقة تسهم في مجال الدراسة.
النتائج
في قسم النتائج، تم تقييم أداء إطار العمل التكيفي لاستخراج الأنماط (AFPM) مقابل 12 نموذجًا غير أساسي و5 نماذج أساسية EEG عبر مجموعات بيانات متعددة لمهام تخيل الحركة (MI) والجهد المرتبط بالحدث (ERP). تشير النتائج إلى أن AFPM تفوق باستمرار على جميع طرق الأساس دون الحاجة إلى معايرة خاصة بالمجموعة. على وجه الخصوص، في مجموعة بيانات Weibo2014، حقق AFPM زيادة بنسبة 4.4% في الدقة المتوازنة وتحسينًا بنسبة 6.78% في المساحة تحت المنحنى للدقة-الاسترجاع (AUC-PR) مقارنة بأقوى نموذج أساسي. من بين نماذج الأساس، تميز نموذج EEG الأساسي CBraMod في مجموعة بيانات BNCI2014-001، بينما حقق النموذج غير الأساسي IFNet/Conformer أفضل أداء في مجموعات بيانات Weibo2014 وZhou2016.
بالنسبة لمجموعات بيانات ERP، تفوق AFPM مرة أخرى على جميع 17 نموذجًا أساسيًا، محققًا تحسينات كبيرة في مجموعة بيانات EPFLP300، بما في ذلك زيادة بنسبة 2.98% في المساحة تحت منحنى التشغيل المستقبل (AUROC) وارتفاع بنسبة 6.66% في AUC-PR. بشكل عام، تفوقت النماذج غير الأساسية على النماذج الأساسية في مهام تصنيف ERP، حيث كانت EEG-Net الأكثر فعالية بين النماذج غير الأساسية. من بين النماذج الأساسية، أظهر EEGPT أفضل أداء عام، على الرغم من أن CBraMod حقق AUC-PR أعلى قليلاً في مجموعة بيانات BNCI2015-003. تسلط هذه النتائج الضوء على قوة AFPM في مهام تصنيف MI وERP، مما يدل على إمكانياته لمزيد من التطبيقات في تحليل EEG.
المناقشة
يوفر قسم المناقشة في الورقة نظرة شاملة على إطار العمل المقترح AFPM (نموذج المحاذاة ورقعة الإطار) لفك تشفير EEG، مع تسليط الضوء على مكوناته المبتكرة ومساهماتها في تحسين الأداء. يدمج الإطار بين وحدتين رئيسيتين: المحاذاة المكانية (SA) وترميز رقعة الإطار (FPE). تستخدم SA المعطيات العصبية السابقة لاختيار قنوات EEG ذات الصلة، وتقوم بإجراء محاذاة إقليدية لتوحيد البيانات عبر مجموعات بيانات مختلفة، وتقوم بتخطيط القنوات في تخطيط متسق، مما يحسن جودة الإشارة وينسق التمثيلات. تعالج FPE إشارات EEG متعددة القنوات عبر نوافذ زمنية لالتقاط الاعتماديات بين القنوات، مما يؤدي إلى ميزات ذات صلة بالمهام أكثر ثراءً.
تشير نتائج دراسات الإزالة إلى أن اختيار القنوات يعزز بشكل كبير أداء التصنيف، مما يبرز أهمية التركيز على النشاط العصبي ذي الصلة بالمهام. بالإضافة إلى ذلك، تم تأكيد ضرورة المحاذاة الإقليدية وتخطيط القنوات، حيث إنهما يخففان من عدم الثبات ويحافظان على التناسق الهيكلي، على التوالي. يظهر إطار AFPM أداءً تنافسيًا مع عدد معلمات منخفض نسبيًا مقارنة بالنماذج الأساسية الحالية، مما يشير إلى أنه يوازن بشكل فعال بين تعقيد النموذج ودقة فك التشفير. بشكل عام، تؤكد النتائج على إمكانيات AFPM في تقدم منهجيات فك تشفير EEG، لا سيما في التطبيقات عبر مجموعات البيانات.
DOI: https://doi.org/10.1007/s11432-025-4736-2
Publication Date: 2026-05-15
Author(s): Xiaoqing Chen et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research paper introduces a novel Alignment-Based Frame-Patch Modeling (AFPM) framework aimed at improving EEG decoding for brain-computer interfaces (BCIs), particularly in the context of cross-dataset learning and generalization challenges. These challenges arise from inconsistencies in channel layouts, non-stationary signal distributions, and inadequate integration of neurophysiological priors. The AFPM framework comprises two key components: (1) Spatial Alignment, which identifies task-relevant channels based on brain-region priors, aligns EEG distributions across different datasets, and standardizes the channel layout; and (2) Frame-Patch Encoding, which consolidates multi-dataset signals into coherent spatiotemporal patches for enhanced EEG decoding.
The proposed AFPM framework demonstrates significant performance improvements over 17 state-of-the-art methods that require dataset-specific tuning, achieving gains of up to 4.40% for motor imagery tasks and 3.58% for event-related potential tasks. Notably, this framework is the first calibration-free approach for cross-dataset EEG decoding, marking a substantial advancement in the applicability of BCIs in practical scenarios.
Introduction
The introduction of this research paper discusses the advancements and challenges in brain-computer interfaces (BCIs), which facilitate direct communication between the human brain and external devices for various applications, including neurological rehabilitation and robotic control. BCIs are categorized into non-invasive, partially invasive, and invasive types, with non-invasive methods, particularly those utilizing scalp electroencephalogram (EEG) signals, being the most common due to their safety and ease of use. Recent developments in machine learning, especially deep learning techniques, have significantly enhanced EEG decoding capabilities. However, existing transfer learning methods for EEG are limited by their reliance on a few source datasets and the need for calibration data to address variations across subjects and sessions.
To overcome these limitations, the authors propose a novel framework called Alignment-based Frame-Patch Modeling (AFPM), which is designed for cross-dataset EEG learning without requiring target-domain calibration. AFPM comprises two main components: Spatial Alignment (SA), which selects relevant channels based on neurophysiological insights and harmonizes signal distributions, and Frame-Patch Encoding (FPE), which constructs synchronized spatiotemporal patches to capture essential neural activation patterns. The framework demonstrates promising results, achieving performance improvements of up to 4.40% on motor imagery tasks and 3.58% on event-related potential tasks compared to state-of-the-art models, thereby offering a scalable solution for EEG pretraining and practical applications in areas such as stroke rehabilitation.
Methods
The methodology section outlines the systematic approach employed in the research. It begins with a description of the study design, which includes the selection criteria for participants and the experimental setup. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected. Specific methods for data collection, such as surveys or experimental tasks, are detailed, ensuring replicability of the study.
Furthermore, the section discusses the analytical techniques applied, including any relevant statistical tests used to assess the significance of the findings. The researchers also address potential biases and limitations in their methodology, providing a rationale for their chosen methods and how they align with the research objectives. Overall, the methodology is designed to ensure robust and reliable results that contribute to the field of study.
Results
In the results section, the performance of the Adaptive Framework for Pattern Mining (AFPM) was evaluated against 12 non-foundation models and 5 EEG foundation models across multiple motor imagery (MI) and event-related potential (ERP) datasets. The findings indicate that AFPM consistently outperformed all baseline methods without requiring dataset-specific calibration. Specifically, on the Weibo2014 dataset, AFPM achieved a 4.4% increase in Balanced Accuracy and a 6.78% improvement in Area Under the Curve for Precision-Recall (AUC-PR) compared to the strongest baseline. Among the baseline models, the EEG foundation model CBraMod excelled on the BNCI2014-001 dataset, while the non-foundation model IFNet/Conformer performed best on Weibo2014 and Zhou2016 datasets.
For the ERP datasets, AFPM again surpassed all 17 baseline models, achieving significant improvements on the EPFLP300 dataset, including a 2.98% increase in Area Under the Receiver Operating Characteristic (AUROC) and a 6.66% rise in AUC-PR. Non-foundation models generally outperformed foundation models in ERP classification tasks, with EEG-Net being the most effective among the non-foundation models. Among the foundation models, EEGPT showed the best overall performance, although CBraMod achieved slightly higher AUC-PR on the BNCI2015-003 dataset. These results highlight the robustness of AFPM in MI and ERP classification tasks, demonstrating its potential for further applications in EEG analysis.
Discussion
The discussion section of the paper provides a comprehensive overview of the proposed AFPM (Alignment and Frame Patch Modeling) framework for EEG decoding, highlighting its innovative components and their contributions to performance enhancement. The framework integrates two main modules: Spatial Alignment (SA) and Frame Patch Encoding (FPE). SA employs neurophysiological priors to select relevant EEG channels, performs Euclidean alignment to standardize data across different datasets, and maps channels into a consistent layout, thereby improving signal quality and harmonizing representations. FPE processes multi-channel EEG signals over temporal windows to capture inter-channel dependencies, resulting in richer task-relevant features.
The results from ablation studies indicate that channel selection significantly boosts classification performance, underscoring the importance of focusing on task-relevant neural activity. Additionally, the necessity of Euclidean alignment and channel mapping is confirmed, as they mitigate non-stationarity and maintain structural consistency, respectively. The AFPM framework demonstrates competitive performance with a relatively low parameter count compared to existing foundation models, suggesting that it effectively balances model complexity and decoding accuracy. Overall, the findings emphasize the potential of AFPM in advancing EEG decoding methodologies, particularly in cross-dataset applications.