⚡ electrical engineering

Motor Imagery EEG Signal Classification Using Minimally Random Convolutional Kernel Transform and Hybrid Deep Learning

Diese Studie stellt eine neuartige Methode zur Klassifizierung von motorischen Imagery-EEG-Signalen vor, die auf dem Minimally Random Convolutional Kernel Transform (MiniRocket) basiert und im Vergleich zu einem hybriden CNN-LSTM-Modell eine höhere Genauigkeit bei geringeren Rechenkosten erzielt.

Ursprüngliche Autoren: Jamal Hwaidi, Mohamed Chahine Ghanem

Veröffentlicht 2026-02-23

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Jamal Hwaidi, Mohamed Chahine Ghanem

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ziel: Gedanken lesen (ohne zu sprechen)

Stell dir vor, du könntest einen Roboterarm bewegen oder einen Computer steuern, nur indem du denkst, dass du deine Hand bewegst, ohne sie tatsächlich zu bewegen. Das nennt man Brain-Computer-Interface (BCI).

Die Forscher in diesem Papier haben sich eine spezielle Art des Denkens angesehen: die Motorische Vorstellung. Das ist, als würdest du im Kopf eine Faust ballen oder mit dem Fuß wippen, während dein Körper völlig still bleibt. Das Gehirn sendet dabei elektrische Signale aus, die man mit einem Helm messen kann (EEG).

Das Problem? Diese Signale sind wie ein starker Sturm im Radio. Sie sind sehr leise, voller statisches Rauschen und jeder Mensch hat einen anderen "Stil" zu denken. Es ist extrem schwer, aus diesem Chaos zu verstehen: "Ballt er gerade die linke Faust oder wippt er mit dem rechten Fuß?"

Die zwei Helden des Films

Um dieses Rauschen zu ordnen, haben die Autoren zwei verschiedene Werkzeuge entwickelt, die wie zwei unterschiedliche Detektive wirken:

1. Der schnelle Blitz-Detektiv: MiniRocket

Stell dir vor, du hast einen riesigen Haufen unordentlicher Notizen (die EEG-Signale). Ein normaler Detektiv würde jeden Satz langsam lesen und analysieren. Das dauert ewig.

MiniRocket ist wie ein genialer Scanner, der nicht liest, sondern Muster blitzschnell erkennt.

Wie es funktioniert: Es wirft tausende von zufälligen "Suchmustern" (Kernen) über die Daten. Es fragt nicht: "Was steht hier genau?", sondern "Sieht das hier aus wie ein Muster für 'linke Faust'?".
Der Trick: Es ist extrem effizient. Es filtert den Müll heraus und behält nur die wichtigsten Hinweise.
Das Ergebnis: Es ist so schnell wie ein Rennwagen und trotzdem unglaublich präzise. In diesem Test erreichte es eine Genauigkeit von 98,63 %. Das ist, als würde ein Schiedsrichter bei 100 Spielen nur einmal falsch pfeifen.

2. Der geduldige Lehrer: CNN-LSTM (Hybrid-Modell)

Dieser Ansatz ist wie ein sehr gut ausgebildeter Student, der zwei Fächer perfekt beherrscht:

CNN (Convolutional Neural Network): Das ist der Augen-Experte. Er schaut sich an, wo im Gehirn die Signale herkommen (z. B. links oder rechts). Er erkennt räumliche Muster, wie ein Bilderkennungssystem.
LSTM (Long Short-Term Memory): Das ist der Zeit-Experte. Er merkt sich, was vorher passiert ist. Da Gehirnsignale eine Geschichte erzählen (sie ändern sich über die Zeit), hilft ihm dieses "Gedächtnis", den Kontext zu verstehen.

Diese beiden arbeiten zusammen wie ein Zwei-Personen-Team: Einer schaut auf die Karte (Ort), der andere auf den Zeitplan (Zeit).

Das Ergebnis: Auch dieser Ansatz war fantastisch und erreichte 98,06 % Genauigkeit. Er ist etwas rechenintensiver (braucht mehr "Gehirnleistung" des Computers), aber fast genauso gut wie der Blitz-Detektiv.

Der Vergleich: Wer gewinnt?

Die Forscher haben beide Methoden auf einem öffentlichen Datensatz getestet (PhysioNet), der Daten von 10 verschiedenen Personen enthält.

MiniRocket war der klare Gewinner in puncto Geschwindigkeit und Effizienz. Es brauchte weniger Rechenleistung, lieferte aber das beste Ergebnis.
Das CNN-LSTM-Modell war ein sehr starker Zweiter und bewies, dass tiefe neuronale Netze (Deep Learning) immer noch großartige Arbeit leisten können, wenn man sie richtig zusammenbaut.

Warum ist das wichtig?

Bisher waren solche Systeme oft langsam, teuer oder ungenau. Diese Studie zeigt uns:

Man braucht nicht immer den schwersten Hammer, um die Nuss zu knacken. Manchmal reicht ein cleveres, schnelles Werkzeug (MiniRocket).
Wir können Menschen mit Lähmungen oder anderen Behinderungen helfen, ihre Umgebung zu steuern, indem wir ihre Gedanken viel genauer übersetzen als je zuvor.

Zusammenfassend: Die Forscher haben einen Weg gefunden, das chaotische "Radio-Rauschen" des Gehirns so klar zu machen, dass ein Computer fast fehlerfrei versteht, was der Mensch im Kopf vorhat. Und das geht jetzt schneller und effizienter als je zuvor.

Technische Zusammenfassung: Klassifizierung von Motor-Imagery-EEG-Signalen mittels Minimally Random Convolutional Kernel Transform und Hybrid Deep Learning

1. Problemstellung

Brain-Computer-Interfaces (BCI) ermöglichen eine direkte Kommunikation zwischen dem menschlichen Gehirn und externen Geräten, wobei die Elektroenzephalographie (EEG) als nicht-invasive Methode zur Aufzeichnung von Gehirnsignalen weit verbreitet ist. Eine der schwierigsten Aufgaben im Bereich der BCI ist die Klassifizierung von Motor-Imagery (MI)-Aufgaben (z. B. Vorstellung von Bewegungen der linken/rechten Faust oder der Füße).

Die Hauptherausforderungen bei der MI-EEG-Klassifizierung sind:

Nicht-Stationarität und Zeitvarianz: EEG-Signale ändern sich über die Zeit und zwischen verschiedenen Versuchspersonen.
Individuelle Diversität: Signalmuster variieren stark von Person zu Person.
Rauschen und niedrige Signal-Rausch-Verhältnisse (SNR): EEG-Daten sind oft verrauscht und schwer zu interpretieren.
Komplexität: Traditionelle Methoden erfordern oft manuelles Feature-Engineering, während Deep-Learning-Modelle zwar leistungsstark, aber rechenintensiv und datenhungrig sein können.

Das Ziel der Studie ist es, eine Methode zu entwickeln, die sowohl hohe Klassifizierungsgenauigkeit als auch hohe Recheneffizienz bietet.

2. Methodik

Die Autoren schlagen einen hybriden Ansatz vor, der zwei Hauptkomponenten kombiniert: einen linearen Klassifikator basierend auf MiniRocket und ein Deep-Learning-Modell (CNN-LSTM).

A. Datengrundlage und Vorverarbeitung

Datensatz: Der PhysioNet EEGMI-Datensatz (eegmmidb) wurde verwendet, der Aufzeichnungen von 109 Probanden enthält. Für diese Studie wurden Daten von 10 Probanden analysiert.
Aufgaben: Vier MI-Aufgaben: Linke Faust (L), Rechte Faust (R), Beide Fäuste (BLR) und Beide Füße (BF).
Vorverarbeitung:
- Anwendung der Independent Component Analysis (ICA) zur Trennung von Artefakten und zur Isolierung der relevanten Frequenzbänder: $\mu$ -Band (8–14 Hz) und $\beta$ -Band (14–30 Hz).
- Die Daten wurden in 60-Sekunden-Trials segmentiert, wobei die ersten 3 Sekunden (Ruhephase) entfernt wurden.
- Die effektive Datengröße pro Elektrode beträgt 640 Samples (bei 160 Hz über 4 Sekunden), was bei symmetrischen Elektrodenpaaren zu einer Eingangsgröße von 1.280 Samples führt.

B. Ansatz 1: MiniRocket (Minimally Random Convolutional Kernel Transform)

Konzept: MiniRocket ist eine Weiterentwicklung von ROCKET, die speziell für Zeitreihenklassifizierung entwickelt wurde.
Funktionsweise:
- Es werden 10.000 zufällige Faltungskernel auf die Eingangszeitreihe angewendet.
- Im Gegensatz zu herkömmlichen CNNs werden die Kernel-Gewichte nicht gelernt, sondern sind fest vorgegeben (randomisiert), was die Trainingszeit drastisch reduziert.
- Feature-Extraktion: Aus den Faltungsergebnissen wird nur das Proportion of Positive Values (PPV) als Feature extrahiert. Dies reduziert die Dimensionalität im Vergleich zu ROCKET (das PPV und Max-Pooling nutzt).
- Klassifikator: Die extrahierten Features werden einem linearen Klassifikator (Ridge-Classifier) zugeführt.
Vorteil: Extrem geringe Rechenkomplexität bei hoher Genauigkeit.

C. Ansatz 2: Hybrid Deep Learning (CNN-LSTM)

Architektur: Ein neuronales Netzwerk, das räumliche und zeitliche Merkmale gleichzeitig lernt.
- CNN-Teil: Zwei 1D-Faltungsschichten (Conv1D) mit 16 bzw. 32 Filtern zur Extraktion räumlicher und lokaler Muster.
- LSTM-Teil: Eine LSTM-Schicht mit 100 Einheiten, um zeitliche Abhängigkeiten und sequenzielle Informationen zu modellieren.
- Regularisierung: Dropout-Schichten (Raten 0,5 und 0,25) und L2-Regularisierung wurden eingesetzt, um Overfitting zu verhindern.
- Ausgabe: Dense-Schichten mit ReLU- und Sigmoid-Aktivierungsfunktionen für die 4-Klassen-Klassifizierung.
Zweck: Diente als Benchmark, um die Leistungsfähigkeit von Deep Learning im Vergleich zu MiniRocket zu validieren.

3. Wichtige Beiträge

Frequenzselektion: Erfolgreiche Anwendung von ICA zur gezielten Segmentierung der $\mu$ - und $\beta$ -Frequenzbänder als primäre Merkmale für die Motor-Imagery.
MiniRocket für EEG: Erster Nachweis, dass MiniRocket (ein linearer Klassifikator auf Basis zufälliger Kernel) EEG-Daten effizienter und genauer klassifizieren kann als komplexe Deep-Learning-Modelle.
Hybride Benchmark: Entwicklung und Validierung eines CNN-LSTM-Hybridmodells als Referenzpunkt, das zeigt, dass Deep Learning zwar gut funktioniert, aber einen höheren Rechenaufwand erfordert.
Effizienz: Demonstration, dass lineare Methoden mit vorverarbeiteten Features (MiniRocket) Deep-Learning-Ansätze in Bezug auf Genauigkeit übertreffen können, bei deutlich geringerem Rechenaufwand.

4. Ergebnisse

Die Modelle wurden auf dem PhysioNet-Datensatz mit 10-Fold-Cross-Validation evaluiert.

Genauigkeit (Accuracy):
- MiniRocket: Erreichte eine durchschnittliche Genauigkeit von 98,63 %.
- CNN-LSTM: Erreichte eine durchschnittliche Genauigkeit von 98,06 %.
- Ergebnis: MiniRocket war leicht überlegen und erreichte die besten Ergebnisse bei deutlich geringerer Rechenzeit.
Einzelne Probanden: Die Genauigkeit variierte zwischen den Probanden (z. B. Proband S8 erzielte mit MiniRocket 99,44 % für T1), wobei die Methode robust gegenüber individuellen Unterschieden war.
Vergleich mit State-of-the-Art (SOTA):
- Die Ergebnisse übertreffen signifikant frühere Studien, die denselben Datensatz verwendeten (z. B. 74,90 % bei SVM, 80,38 % bei CNN, 94,50 % bei CNN mit Source Imaging, 97,36 % bei CNN+GRU).
- Tabelle 2 im Paper zeigt, dass der vorgeschlagene Ansatz (98,63 %) die bisher besten Ergebnisse auf diesem Datensatz darstellt.
Metriken: Neben der Genauigkeit wurden Precision, Recall und F1-Score analysiert, die alle hohe Werte aufwiesen. Die Konfusionsmatrizen zeigten eine sehr geringe Verwechslungsrate, insbesondere bei den Aufgaben "Linke Faust" und "Beide Füße".

5. Bedeutung und Fazit

Die Studie demonstriert, dass für die Klassifizierung von Motor-Imagery-EEG-Signalen nicht zwingend komplexe Deep-Learning-Architekturen erforderlich sind.

Paradigmenwechsel: Der Erfolg von MiniRocket zeigt, dass eine effiziente Feature-Extraktion (durch zufällige Kernel) in Kombination mit einem einfachen linearen Klassifikator oft besser funktioniert als das "Black-Box"-Lernen tiefer neuronaler Netze, insbesondere wenn die Datenmenge begrenzt ist oder Rechenressourcen eine Rolle spielen.
Praktische Anwendbarkeit: Aufgrund der geringen Rechenkomplexität ist der MiniRocket-Ansatz ideal für Echtzeit-BCI-Systeme auf eingebetteten Geräten oder Hardware mit begrenzter Leistungsfähigkeit geeignet.
Zukunftsausblick: Die Autoren planen, die Methode in Online-Experimenten zu testen und an verschiedene experimentelle Paradigmen anzupassen.

Zusammenfassend bietet die vorgeschlagene Methode einen neuen, hocheffizienten Weg zur MI-EEG-Klassifizierung, der sowohl die Genauigkeit als auch die Recheneffizienz maximiert.