Balancing Interpretability and Performance in Motor Imagery EEG Classification: A Comparative Study of ANFIS-FBCSP-PSO and EEGNet

Diese Studie vergleicht die interpretierbare ANFIS-FBCSP-PSO-Methode mit dem Deep-Learning-Modell EEGNet zur Motor-Imagery-EEG-Klassifizierung und zeigt, dass das Fuzzy-Modell bei innerhalb-subjektiven Tests überlegen ist, während EEGNet eine bessere Generalisierung über verschiedene Probanden hinweg bietet, was eine gezielte Auswahl des Systems je nach Anforderung an Interpretierbarkeit oder Robustheit ermöglicht.

Das Wesentliche

🧠 Das große Duell: Der kluge Übersetzer gegen den genialen Lernenden

Stell dir vor, du möchtest ein Gehirn-Computer-Interface (BCI) bauen. Das ist wie ein Zauberstab, der Gedanken in Befehle für einen Computer verwandelt. Wenn du dir vorstellst, deine linke Hand zu bewegen, soll der Computer verstehen: „Ah, der Nutzer will links!" und dann z.B. einen Roboterarm bewegen.

Das Problem ist: Das Gehirn ist laut, chaotisch und jeder Mensch denkt ein bisschen anders. Die Forscher haben sich gefragt: Was ist besser?

1. Ein System, das sehr genau versteht, wie ein bestimmter Mensch denkt, und uns genau erklären kann, warum es eine Entscheidung trifft (Der „Übersetzer").
2. Oder ein System, das von allen Menschen lernt, sehr gut funktioniert, aber wie eine „Blackbox" ist, bei der niemand genau weiß, wie es zu seinem Ergebnis kommt (Der „Lernende").

Um das herauszufinden, haben die Forscher zwei Kandidaten gegeneinander antreten lassen:

1. Der Kandidat A: ANFIS-FBCSP-PSO (Der „Kluge Übersetzer")

Dieses System funktioniert wie ein sehr erfahrener Dolmetscher, der mit einem Wörterbuch arbeitet.

• Wie es funktioniert: Es schaut sich die Gehirnwellen genau an und zerlegt sie in kleine, verständliche Stücke (wie Frequenzbänder). Dann erstellt es klare Regeln, ähnlich wie ein Rezept: „Wenn die Welle im Mu-Bereich hoch ist UND im Beta-Bereich mittel, dann ist es die rechte Hand."
• Der Clou: Es nutzt einen cleveren Algorithmus (PSO), der wie ein Tüftler ist, der ständig das Rezept verbessert, bis es perfekt passt.
• Vorteil: Du kannst ihm auf die Schulter klopfen und fragen: „Warum hast du das gemacht?" und er zeigt dir die Regel. Er ist transparent.

2. Der Kandidat B: EEGNet (Der „Geniale Lernende")

Dieses System ist ein neuronales Netzwerk, also eine Art künstliches Gehirn.

• Wie es funktioniert: Es bekommt die rohen Gehirnsignale und lernt einfach durch massives Üben, welche Muster zu welcher Bewegung gehören. Es muss keine Regeln von Menschen vorgeben bekommen.
• Der Clou: Es ist extrem flexibel und kann Muster erkennen, die für uns Menschen zu komplex sind.
• Nachteil: Es ist eine Blackbox. Es sagt: „Ich weiß, es ist die rechte Hand!", aber es kann dir nicht erklären, wie es darauf gekommen ist.

---

🏆 Das Rennen: Wer gewinnt?

Die Forscher haben beide Systeme an 9 verschiedenen Personen getestet. Dabei gab es zwei Arten von Prüfungen:

Test 1: „Der persönliche Coach" (Jeder lernt nur für sich selbst)

Hier wurde das System nur mit den Daten einer einzigen Person trainiert und dann an dieser Person getestet.

• Ergebnis: Der Kluge Übersetzer (ANFIS) war hier leicht im Vorteil!
• Warum? Weil er sich perfekt auf die spezifischen „Denkweisen" dieser einen Person einstellen konnte. Er hat die Regeln genau auf den Nutzer zugeschnitten.
• Ergebnis: Etwa 68,6 % richtige Antworten.

Test 2: „Der Generalist" (Lernen für alle)

Hier wurde das System mit Daten von 8 Personen trainiert und dann an der 9. Person getestet, die es noch nie gesehen hatte. Das ist wie ein Lehrer, der versucht, eine neue Klasse zu unterrichten, ohne sie vorher zu kennen.

• Ergebnis: Der Geniale Lernende (EEGNet) war hier etwas besser!
• Warum? Weil er gelernt hat, die allgemeinen Muster zu erkennen, die bei fast allen Menschen gleich sind. Er ist robuster, wenn man ihn auf jemand neuen anwendet.
• Ergebnis: Etwa 68,2 % richtige Antworten.

(Hinweis: Die Unterschiede sind statistisch gesehen sehr klein, aber die Tendenz ist klar.)

---

💡 Was bedeutet das für uns? (Die einfache Lehre)

Die Studie sagt uns, dass es keinen perfekten Alleskönner gibt, sondern man das Werkzeug je nach Aufgabe wählen muss:

1. Du willst ein medizinisches Gerät für einen einzelnen Patienten?
   Nimm den Klugen Übersetzer (ANFIS).

   • Warum? Ärzte und Patienten wollen wissen, warum das Gerät einen Befehl gibt. Die klaren Regeln geben Sicherheit. Zudem passt er sich perfekt an den individuellen Patienten an.

2. Du willst eine App für die Masse, die sofort für jeden funktioniert?
   Nimm den Genialen Lernenden (EEGNet).

   • Warum? Du willst nicht für jeden neuen Nutzer stundenlang kalibrieren. Das System funktioniert „out of the box" für fast jeden, auch wenn man nicht genau weiß, wie es im Inneren tickt.

🚀 Ausblick: Die Zukunft

Die Forscher hoffen, dass die Zukunft in einer Mischung liegt. Stell dir einen Cyborg-Coach vor: Ein System, das die Lernstärke des neuronalen Netzwerks hat, aber gleichzeitig die klaren Erklärungen des Übersetzers liefert. So könnte man sowohl sicher als auch clever sein.

Kurz gesagt: Wenn du Sicherheit und Erklärung willst, nimm die Regeln. Wenn du schnelle Anpassung an viele Leute willst, nimm das tiefe Lernen. Beides hat seinen Platz im Gehirn-Computer-Interface.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Technische Zusammenfassung: Abwägung zwischen Interpretierbarkeit und Leistung bei der Klassifizierung von Motor-Imagery-EEG

Titel: Balancing Interpretability and Performance in Motor Imagery EEG Classification: A Comparative Study of ANFIS-FBCSP-PSO and EEGNet
Autoren: Farjana Aktar et al. (University of Rajshahi, Bangladesch)
Veröffentlicht bei: IEEE QPAIN 2026

---

1. Problemstellung

Die Entwicklung von Brain-Computer-Interfaces (BCI) auf Basis von Motor-Imagery (MI) steht vor einem fundamentalen Zielkonflikt: der Balance zwischen hoher Klassifizierungsgenauigkeit und Interpretierbarkeit (Erklärbarkeit).

• Herausforderung: Herkömmliche Pipelines nutzen oft handgefertigte Merkmale (Feature Engineering), die zwar interpretierbar sein können, aber wenig transparent in ihrer Abbildung auf die Motor-Aufgaben sind. Deep-Learning-Ansätze (wie CNNs) bieten hohe Genauigkeit und lernen Merkmale automatisch, agieren jedoch als „Black-Box"-Modelle, was ihre Akzeptanz in klinischen Umgebungen einschränkt.
• Ziel: Die Studie untersucht den praktischen Trade-off zwischen einem transparenten, bio-inspirierten Ansatz und einem etablierten Deep-Learning-Benchmark unter Verwendung des öffentlichen BCI Competition IV-2a-Datensatzes.

2. Methodik

Die Studie vergleicht zwei gegensätzliche Architekturen unter konsistenten Vorverarbeitungsbedingungen:

A. Datensatz und Vorverarbeitung

• Datensatz: BCI Competition IV-2a (9 Probanden, 4 MI-Aufgaben: linke/rechte Hand, beide Füße, Zunge; 288 Versuche pro Proband).
• Vorverarbeitung:
  • Bandpass-Filterung (0,5–100 Hz) und Notch-Filter (50 Hz).
  • Z-Score-Normalisierung pro Trial.
  • Entfernung von Artefakten mittels Independent Component Analysis (ICA).
  • Data Augmentation: Segment-Rekombination (S&R) zur Erhöhung der Datenvielfalt und Vermeidung von Overfitting, indem zeitliche Segmente verschiedener Trials derselben Klasse neu kombiniert werden.

B. Modellarchitekturen

1. ANFIS–FBCSP–PSO (Interpretierbarer Ansatz):

   • Feature-Extraktion: Filter-Bank Common Spatial Pattern (FBCSP) zerlegt das Signal in Frequenzbänder (Theta, Mu, Beta-Bereiche) und extrahiert räumlich-diskriminierende Merkmale.
   • Optimierung: Particle Swarm Optimization (PSO) optimiert die Parameter des ANFIS (Mitgliedschaftsfunktionen, Regelgewichte) basierend auf der Validierungsgenauigkeit.
   • Klassifizierung: Adaptive Neuro-Fuzzy Inference System (ANFIS) verwendet explizite „IF-THEN"-Regeln, die physiologisch interpretierbar sind.
   • Vorteil: Hohe Transparenz durch regelbasierte Entscheidungen.

2. EEGNet (Deep-Learning-Ansatz):

   • Architektur: Ein kompaktes Convolutional Neural Network (CNN), das Roh-EEG-Daten direkt verarbeitet.
   • Schichten: Temporale Faltung (Frequenzmuster), Depthwise-Spatiale Faltung (räumliche Filter), Separable Faltung (hochlevelige Interaktionen) sowie Pooling- und Dropout-Schichten.
   • Vorteil: End-to-End-Lernen ohne manuelles Feature-Engineering, hohe Skalierbarkeit.

C. Evaluierungsprotokolle

• Within-Subject: 80/20 Split pro Proband (Training und Test auf denselben Daten).
• Cross-Subject (LOSO - Leave-One-Subject-Out): Training auf 8 Probanden, Test auf dem verbleibenden Probanden (Generalisierungsfähigkeit).
• Metriken: Genauigkeit (Accuracy), Cohen's Kappa (κ), F1-Score, Precision, Recall.

3. Schlüsselbeiträge

1. Dual-Modell-Evaluation: Ein kontrollierter Vergleich zwischen einem bio-inspirierten, interpretierbaren Modell (ANFIS-FBCSP-PSO) und einem Deep-Learning-Benchmark (EEGNet) auf dem gleichen Datensatz.
2. Analyse des Trade-offs: Empirische Untersuchung, wie sich regelbasierte Interpretierbarkeit und robuste Generalisierung über verschiedene Benutzer hinweg in Abhängigkeit vom Evaluierungsprotokoll verhalten.
3. Handlungsleitende Empfehlungen: Praktische Richtlinien zur Auswahl der Architektur basierend auf dem Anwendungszweck (personalisierte, erklärbare Systeme vs. skalierbare, benutzerübergreifende Modelle).

4. Ergebnisse

Die Ergebnisse zeigen einen klaren Trend zugunsten unterschiedlicher Stärken je nach Evaluierungsmodus:

• Within-Subject (Personalisiert):
  • ANFIS–FBCSP–PSO erzielte eine höhere mittlere Genauigkeit (68,58 % ± 13,76 %) und einen besseren Kappa-Wert (58,04 %) im Vergleich zu EEGNet.
  • Interpretation: Der regelbasierte Ansatz profitiert stark von der Anpassung an spezifische physiologische Muster einzelner Probanden.
• Cross-Subject (Generalisierung):
  • EEGNet zeigte eine leicht höhere mittlere Genauigkeit (68,20 % ± 12,13 %) und einen besseren Kappa-Wert (57,33 %) als ANFIS (65,71 %).
  • Interpretation: Das Deep-Learning-Modell generalisiert besser auf unbekannte Benutzer, da es robuste räumlich-zeitliche Repräsentationen lernt, die weniger anfällig für interindividuelle Schwankungen sind.
• Statistische Signifikanz:
  • Ein gepaarter Wilcoxon-Vorzeichen-Rang-Test ergab keine statistisch signifikanten Unterschiede zwischen den Modellen (p > 0,05) in beiden Szenarien. Dies deutet darauf hin, dass die beobachteten Mittelwertunterschiede auf die begrenzte Stichprobengröße (N=9) zurückzuführen sein könnten, obwohl die Trends klar erkennbar sind.
• Interpretierbarkeit:
  • Das ANFIS-Modell lieferte explizite Fuzzy-Regeln (z. B. „WENN Mu-Band-Merkmale hoch UND Beta-Band-Merkmale mittel, DANN rechte Hand"), die physiologische Einblicke bieten. EEGNet bleibt ein Black-Box-Modell.

5. Bedeutung und Fazit

Die Studie liefert wichtige Erkenntnisse für das Design von MI-BCI-Systemen:

• Anwendungsszenario-basierte Auswahl:
  • Für personalisierte, klinische Anwendungen, bei denen Erklärbarkeit und hohe Genauigkeit für einen spezifischen Patienten entscheidend sind, ist der ANFIS–FBCSP–PSO-Ansatz vorzuziehen.
  • Für skalierbare, universelle BCI-Systeme, die ohne lange Kalibrierung für neue Benutzer funktionieren müssen, bietet EEGNet eine robustere Alternative.
• Zukunftsausblick: Die Autoren schlagen vor, zukünftige Forschung auf hybride neuro-symbolische Frameworks und Transformer-basierte Modelle zu richten, die sowohl die Interpretierbarkeit als auch die Skalierbarkeit und Generalisierungsfähigkeit vereinen.

Zusammenfassend demonstriert die Arbeit, dass es keinen „One-Size-Fits-All"-Ansatz gibt; die Wahl des Modells muss strikt an die Anforderungen nach Transparenz versus Robustheit gegenüber Benutzerwechseln angepasst werden.