DOI: https://doi.org/10.1371/journal.pone.0347671
PMID: https://pubmed.ncbi.nlm.nih.gov/42018586
تاريخ النشر: 2026-04-22
المؤلف: Zhao Yun وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه الدراسة RMETNet، وهو إطار عمل جديد للشبكات العصبية مصمم لتعزيز فك تشفير تخطيط الدماغ الكهربائي (MI-EEG) الخاص بالصور الحركية لواجهات الدماغ والحاسوب (BCIs)، مع التركيز بشكل خاص على تحدي التباين بين الأفراد. يدمج RMETNet عدة مكونات: TSLANet، الذي يستخدم وحدة التلافيف الزمانية المكانية لتقليل الضوضاء والتقاط الأنماط الزمنية المعقدة، ووحدة ميزات الهندسة الريمانية متعددة المقاييس التي تتعلم ميزات توزيع هندسية عبر الأفراد. للتخفيف من تحولات توزيع الأفراد، يستخدم الإطار خسارة الحد الأقصى للاختلاف المتوسط (MMD) للتكيف الفعال مع المجال، مما ينسق توزيعات الميزات بين الأفراد المختلفين.
تظهر النتائج التجريبية أن RMETNet يحقق دقة تصنيف ملحوظة تبلغ 71.39% في إعدادات عبر الأفراد و80.71% في إعدادات تعتمد على الأفراد على مجموعة بيانات BCI Competition IV 2a (BCICIV2a) ذات الأربع فئات، و80.93% و86.76%، على التوالي، على مجموعة بيانات BCI Competition IV 2b (BCICIV2b) ذات الفئتين. تشير هذه النتائج إلى تحسين كبير مقارنة بالخوارزميات الأساسية. بالإضافة إلى ذلك، تؤكد تحليلات الإزالة والتصور فعالية النموذج في تقليل الفجوات في توزيع ميزات الأفراد وتعزيز أداء فك تشفير MI-EEG. ستركز الأبحاث المستقبلية على تحسين TSLANet لتحليل EEG واستكشاف تصميمات نماذج أخف مع الحفاظ على دقة التصنيف، مما يضع RMETNet كإطار عمل قوي لتطبيقات BCI المعتمدة على MI-EEG.
مقدمة
تناقش مقدمة هذه الورقة البحثية التقدم في تكنولوجيا واجهات الدماغ والحاسوب (BCI)، مع التركيز بشكل خاص على تخطيط الدماغ الكهربائي الخاص بالصور الحركية (MI-EEG). MI-EEG هو إشارة عصبية غير جراحية تعكس نشاط الدماغ أثناء التمرين الذهني للحركات، وتتميز بتزامن غير مرتبط بالحدث (ERD) والتزامن (ERS) في نطاقات تردد معينة. تبرز الورقة أهمية فك تشفير MI-EEG بدقة لتطبيقات BCI الفعالة، مقارنة بين طرق معالجة الإشارات التقليدية وطرق التعلم العميق. بينما تعتمد الطرق التقليدية على ميزات مختارة يدويًا، أظهرت تقنيات التعلم العميق، مثل الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs)، وعدًا في التقاط الأنماط المعقدة وتحسين دقة فك التشفير.
على الرغم من هذه التقدمات، تحدد الورقة التحديات في فك تشفير MI-EEG عبر الأفراد بسبب التباين العصبي الفسيولوجي بين الأفراد واختلافات في ظروف التسجيل. لمعالجة هذه القضايا، يقترح المؤلفون RMETNet (شبكة EEG TSLANet المعززة بـ MMD)، وهي شبكة عصبية جديدة مصممة لتعزيز فك تشفير MI-EEG عبر الأفراد. يدمج RMETNet شبكة تكييف خفيفة الوزن لسلاسل الزمن (TSLANet) لتقليل الضوضاء وفك التشفير الزمني، ووحدة تلافيف زمانية مكانية لاستخراج الميزات، ووحدة ميزات هندسة ريمانية متعددة المقاييس لتعلم تمثيلات غير متغيرة المجال. تهدف إدخال خسارة الحد الأقصى للاختلاف المتوسط (MMD) أثناء التدريب إلى تنسيق توزيعات الميزات عبر الأفراد، مما يحسن أداء التصنيف. يتم التحقق من فعالية RMETNet على مجموعات بيانات عامة، محققًا دقة متفوقة مقارنة بالطرق الحالية في كل من إعدادات عبر الأفراد وإعدادات تعتمد على الأفراد.
طرق
في هذا القسم، يتم تفصيل المنهجية المستخدمة لتقييم نموذج RMETNet المقترح لتصنيف إشارة EEG الخاصة بالصور الحركية (MI-EEG). تم استخدام مجموعتين من البيانات المتاحة للجمهور، وتم تقييم أداء النموذج تحت كل من ظروف تعتمد على الأفراد وظروف عبر الأفراد. تم إجراء مقارنة منهجية ضد عدة طرق متطورة، بما في ذلك FBCSP، EEGNet، ShallowConvNet، EEG-TCNet، EEG-ITNet، DS-TKL، طريقة قائمة على المحولات، وEEGConformer. يتم وصف كل طريقة أساسية بإيجاز، مع تسليط الضوء على أساليبها الفريدة في استخراج الميزات والتصنيف، مثل استخدام نمط الفضاء المشترك (CSP) في FBCSP، والهيكل المدمج لـ EEGNet، ودمج الشبكات التلافيفية الزمنية في EEG-TCNet.
تضمنت مقاييس التقييم المستخدمة لت quantifying أداء RMETNet الدقة ومعامل كابا، مما يضمن تقييمًا شاملاً ضد الطرق الأساسية المختارة. تم أيضًا إجراء دراسات إزالة وتحليلات تصور للتحقيق بشكل أكبر في توزيعات الميزات المتعلمة، مما يوفر رؤى حول فعالية RMETNet في التعرف على الميزات من إشارات MI-EEG.
نتائج
تظهر نتائج الدراسة فعالية نموذج RMETNet المقترح في تصنيف الصور الحركية باستخدام بيانات EEG من مجموعتي بيانات BCICIV2a وBCICIV2b. في مجموعة بيانات BCICIV2a، حقق RMETNet دقة تصنيف متوسطة تبلغ 80.77% ودرجة كابا تبلغ 0.76، متفوقًا على عدة نماذج تعلم عميق، بما في ذلك EEGNet وShallowConvNet، بفروق كبيرة (8.37% و6.46%، على التوالي) مع دلالة إحصائية (p < 0.01). كما تفوق RMETNet في إعدادات عبر الأفراد، محققًا دقة متوسطة تبلغ 71.39% وأظهر أداءً قويًا عبر عدة أفراد، مما يدل على قوته ضد التباين بين الأفراد. في مجموعة بيانات BCICIV2b، حقق RMETNet دقة متوسطة تبلغ 86.76% وقيمة كابا تبلغ 0.74 في إعدادات تعتمد على الأفراد، متفوقًا على الطرق التقليدية مثل FBCSP والشبكات التلافيفية الضحلة مع تحسينات ذات دلالة إحصائية (p < 0.01). في تقييمات عبر الأفراد، حافظ RMETNet على دقة متوسطة عالية تبلغ 80.93% وأظهر استقرارًا متفوقًا مع انحراف معياري أقل مقارنة بالطرق المنافسة. بشكل عام، تؤكد النتائج قدرة RMETNet على تعلم تمثيلات EEG تمييزية وقابلة للنقل، مما يعزز أداء التعميم عبر الأفراد ويشير إلى إمكانيته للتطبيقات العملية في أنظمة واجهات الدماغ والحاسوب (BCI).
نقاش
تسلط قسم النقاش في الورقة البحثية الضوء على التقدم والتحديات في فك تشفير تخطيط الدماغ الكهربائي (EEG) الخاص بالصور الحركية (MI) المعتمد على الأفراد وعبر الأفراد باستخدام تقنيات التعلم العميق. لقد استغلت الدراسات الحديثة هياكل مختلفة، بما في ذلك الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs)، لتعزيز قدرات استخراج الميزات. بينما أظهرت هذه النماذج أداءً محسنًا في المهام المعتمدة على الأفراد، إلا أنها غالبًا ما تواجه صعوبة مع التباين الفردي وتفشل في مراعاة الطوبولوجيا المكانية لإشارات EEG، مما يؤدي إلى قيود في القوة العامة والتعميم عبر الأفراد. على سبيل المثال، حققت نماذج مثل CNN ذات الفرعين المزدوجين وهياكل المحولات تقدمًا في التقاط الميزات الزمنية والترددية ولكن لا تزال تعاني من مشاكل مع الإفراط في التكيف وحساسية الضوضاء.
في معالجة فك تشفير MI-EEG عبر الأفراد، بدأ الباحثون في تنفيذ استراتيجيات التعلم الانتقالي للتخفيف من الفجوات في توزيعات الميزات بين الأفراد المختلفين. أظهرت تقنيات مثل الشبكات العصبية التلافيفية متعددة المقاييس المتوازية وهياكل الشبكات المتماثلة وعدًا في تحسين القابلية للتكيف والتعميم. ومع ذلك، لا تزال التحديات قائمة، خاصة في نمذجة الاعتماديات الزمنية الديناميكية واستيعاب الاختلافات الفردية. يهدف الإطار المقترح، RMETNet، إلى التغلب على هذه القيود من خلال دمج وحدة تعلم الميزات الزمنية (TSLANet)، ووحدة تلافيف زمانية مكانية، ووحدة تلافيف ريمانية متعددة المقاييس. لا يلتقط هذا النهج الميزات الثابتة والديناميكية فحسب، بل يستخدم أيضًا خسارة الحد الأقصى للاختلاف المتوسط لتحقيق محاذاة فعالة للمجال، مما يعزز أداء فك تشفير MI-EEG عبر الأفراد.
DOI: https://doi.org/10.1371/journal.pone.0347671
PMID: https://pubmed.ncbi.nlm.nih.gov/42018586
Publication Date: 2026-04-22
Author(s): Zhao Yun et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This study introduces RMETNet, a novel neural network framework designed to enhance motor imagery electroencephalogram (MI-EEG) decoding for brain-computer interfaces (BCIs), particularly addressing the challenge of inter-subject variability. RMETNet integrates several components: TSLANet, which utilizes a spatio-temporal convolution module to suppress noise and capture complex temporal patterns, and a multi-scale Riemannian geometry feature module that learns geometric distribution features across subjects. To mitigate inter-subject distribution shifts, the framework employs Maximum Mean Discrepancy (MMD) loss for effective domain adaptation, aligning feature distributions between different subjects.
Experimental results demonstrate that RMETNet achieves notable classification accuracies of 71.39% in cross-subject settings and 80.71% in subject-dependent settings on the four-class BCI Competition IV 2a (BCICIV2a) dataset, and 80.93% and 86.76%, respectively, on the two-class BCI Competition IV 2b (BCICIV2b) dataset. These results indicate a significant improvement over baseline algorithms. Additionally, ablation and visualization analyses validate the model’s efficacy in reducing inter-subject feature distribution disparities and enhancing MI-EEG decoding performance. Future research will focus on optimizing TSLANet for EEG analysis and exploring lighter model designs while maintaining classification accuracy, positioning RMETNet as a robust framework for MI-EEG-based BCI applications.
Introduction
The introduction of this research paper discusses the advancements in brain-computer interface (BCI) technology, particularly focusing on motor imagery electroencephalography (MI-EEG). MI-EEG is a non-invasive neural signal that reflects brain activity during mental rehearsal of movements, characterized by event-related desynchronization (ERD) and synchronization (ERS) in specific frequency bands. The paper highlights the significance of accurate MI-EEG decoding for effective BCI applications, contrasting traditional signal processing methods with deep learning approaches. While traditional methods rely on manually selected features, deep learning techniques, such as convolutional neural networks (CNNs) and recurrent neural networks (RNNs), have shown promise in capturing complex patterns and improving decoding accuracy.
Despite these advancements, the paper identifies challenges in cross-subject MI-EEG decoding due to neurophysiological variability among individuals and differences in recording conditions. To address these issues, the authors propose RMETNet (Riemannian MMD-enhanced EEG TSLANet), a novel neural network designed to enhance cross-subject MI-EEG decoding. RMETNet integrates a Time Series Lightweight Adaptive Network (TSLANet) for noise reduction and temporal decoding, a spatio-temporal convolution module for feature extraction, and a multi-scale Riemannian geometry feature module to learn domain-invariant representations. The introduction of Maximum Mean Discrepancy (MMD) loss during training aims to align feature distributions across subjects, thereby improving classification performance. The effectiveness of RMETNet is validated on public datasets, achieving superior accuracy compared to existing methods in both cross-subject and subject-dependent settings.
Methods
In this section, the methodology employed to evaluate the proposed RMETNet model for motor imagery EEG (MI-EEG) signal classification is detailed. Two publicly available datasets were utilized, and the model’s performance was assessed under both subject-dependent and cross-subject conditions. A systematic comparison was conducted against several state-of-the-art methods, including FBCSP, EEGNet, ShallowConvNet, EEG-TCNet, EEG-ITNet, DS-TKL, a Transformer-based method, and EEGConformer. Each baseline method is briefly described, highlighting their unique approaches to feature extraction and classification, such as the use of Common Spatial Pattern (CSP) in FBCSP, the compact architecture of EEGNet, and the incorporation of temporal convolutional networks in EEG-TCNet.
The evaluation metrics employed to quantify the performance of RMETNet included accuracy and the Kappa coefficient, ensuring a comprehensive assessment against the selected baseline methods. Ablation studies and visualization analyses were also conducted to further investigate the learned feature distributions, providing insights into the effectiveness of RMETNet in recognizing features from MI-EEG signals.
Results
The results of the study demonstrate the effectiveness of the proposed RMETNet model in motor imagery classification using EEG data from the BCICIV2a and BCICIV2b datasets. In the BCICIV2a dataset, RMETNet achieved an average classification accuracy of 80.77% and a Kappa score of 0.76, outperforming several deep learning models, including EEGNet and ShallowConvNet, by significant margins (8.37% and 6.46%, respectively) with statistical significance (p < 0.01). RMETNet also excelled in the cross-subject setting, achieving an average accuracy of 71.39% and demonstrating strong performance across multiple subjects, indicating its robustness against inter-subject variability. In the BCICIV2b dataset, RMETNet reached an average accuracy of 86.76% and a Kappa value of 0.74 in the subject-dependent setting, outperforming traditional methods such as FBCSP and shallow convolutional networks with statistically significant improvements (p < 0.01). In cross-subject evaluations, RMETNet maintained a high average accuracy of 80.93% and demonstrated superior stability with a lower standard deviation compared to competing methods. Overall, the findings underscore RMETNet's capability to learn discriminative and transferable EEG representations, enhancing generalization performance across subjects and suggesting its potential for practical applications in brain-computer interface (BCI) systems.
Discussion
The discussion section of the research paper highlights advancements and challenges in subject-dependent and cross-subject motor imagery (MI) electroencephalography (EEG) decoding using deep learning techniques. Recent studies have leveraged various architectures, including convolutional neural networks (CNNs) and recurrent neural networks (RNNs), to enhance feature extraction capabilities. While these models have shown improved performance in subject-dependent tasks, they often struggle with individual variability and fail to adequately account for the spatial topology of EEG signals, leading to limitations in robustness and generalization across subjects. For instance, models like the dual-branch CNN and Transformer architectures have made strides in capturing temporal and frequency features but still exhibit issues with overfitting and noise sensitivity.
In addressing cross-subject MI-EEG decoding, researchers have begun to implement transfer learning strategies to mitigate discrepancies in feature distributions among different subjects. Techniques such as parallel multi-scale filter bank CNNs and symmetric network architectures have shown promise in improving adaptability and generalization. However, challenges remain, particularly in modeling dynamic temporal dependencies and accommodating individual differences. The proposed framework, RMETNet, aims to overcome these limitations by integrating a temporal feature learning module (TSLANet), a spatio-temporal convolution module, and a multi-scale Riemannian convolution module. This approach not only captures both static and dynamic features but also employs Maximum Mean Discrepancy loss for effective domain alignment, thereby enhancing MI-EEG decoding performance across subjects.