How Does a Single EEG Channel Tell Us About Brain States in Brain-Computer Interfaces ?

Technische Samenvatting: Eénkanaals EEG voor Classificatie van Hersentoestanden in BCI's

Probleemstelling
Hoewel elektro-encefalografie (EEG) een hoeksteen is van het onderzoek naar Brain-Computer Interfaces (BCI) vanwege zijn niet-invasieve aard en hoge temporele resolutie, vertrouwen huidige hoogpresterende systemen doorgaans op meerkanaalsopstellingen die de volledige schedel bedekken. Deze configuraties lijden onder hoge kosten, complexe opstellingen en verminderde mobiliteit, wat hun adoptie beperkt in "real-world" en dagelijkse klinische toepassingen. Hoewel éénkanaals-EEG een veelbelovend alternatief biedt voor draagbare technologieën, blijven aanzienlijke uitdagingen bestaan bij het effectief decoderen van complexe neurologische fenomenen (zoals mentale rekenopdrachten en motorische imaginatie) vanuit één enkele elektrode zonder de ruimtelijke informatie die meerkanaalsarrays bieden. Bovendien richten bestaande methodologieën zich vaak op training op alle kanalen en testen op één, of op het extraheren van kenmerken voor specifieke taken, waardoor de generaliseerbaarheid van modellen die op één kanaal zijn getraind naar andere kanalen grotendeels onverkend blijft.

Methodologie
De studie stelt een pijplijn voor om cognitieve taken te classificeren met behulp van éénkanaals-EEG-gegevens, waarbij gebruik wordt gemaakt van Convolutional Neural Networks (CNN's) met een focus op spectrale-temporale kenmerken. De workflow omvat drie hoofdfasen:

1. Dataverzameling en Preprocessing: De studie gebruikte drie verschillende datasets met gezonde proefpersonen die mentale rekenopdrachten (MA) en motorische imaginatie (MI) taken uitvoerden.
   • Dataset 1 & 2: Gericht op MA-taken met variërende aantal elektroden (22 en 30 kanalen).
   • Dataset 3: Gericht op MI-taken (rust, hand, elleboog) met 64 kanalen.
   • Ruwe signalen werden gepreprocessed (bandpassfiltering, artefactenverwijdering, herreferencing) en gesegmenteerd in epoches.
2. Kenmerkextractie: In plaats van handmatige kenmerkengineering, hanteerde de studie tijds-frequentieanalyse. Event-Related Spectral Power (ERSP) werd gebruikt om spectrogramafbeeldingen (vastgesteld op 224 × 224 pixels) te genereren vanuit de EEG-epoches. Deze benadering vangt zowel frequentie- als temporele dynamiek, en behandelt de data als 2D-afbeeldingen die geschikt zijn voor CNN-verwerking.
3. Modelarchitectuur en Trainingsstrategieën:
   • Architectuur: Een ondiepe 2D-CNN werd voorgesteld, bestaande uit twee blokken Conv2D-lagen (50 filters, 5×5 kernel, ReLU-activatie) gevolgd door batch-normalisatie en max-pooling. Dit ontwerp beoogt een evenwicht te vinden tussen kenmerkextractievermogen en een lage rekenlast.
   • Strategie A (Meerkanaals training, éénkanaals testen): De CNN werd getraind op data van alle beschikbare kanalen om brede ruimtelijke patronen te leren. Vervolgens werd deze individueel getest op elk kanaal om de discriminerende kracht van specifieke elektroden te evalueren.
   • Strategie B (Eénkanaals training, éénkanaals testen): De CNN werd uitsluitend getraind op data van één specifiek kanaal en vervolgens getest op alle andere kanalen. Deze benadering beoordeelt het vermogen van het model om geleerde patronen van één enkele bron te generaliseren naar diverse condities en kanalen.
   • Evaluatie: De modellen werden geëvalueerd met behulp van 10-voudige cross-validatie (data splitsen in 70% training, 15% validatie, 15% testen) over 15.840 tot 93.000 trials. Metrieken omvatten Nauwkeurigheid, Sensitiviteit, Specificiteit en F1-score.

Belangrijkste Resultaten
De studie toonde aan dat éénkanaals-EEG-systemen robuuste classificatieprestaties kunnen behalen voor zowel MA- als MI-taken:

• Algemene Prestaties: De ondiepe CNN presteerde significant beter dan traditionele methoden (zoals shrinkage Linear Discriminant Analysis en Support Vector Machines) en diepere architecturen (zoals GoogLeNet en ShuffleNet) wat betreft de verhouding tussen nauwkeurigheid en rekenlast.
  • Dataset 1 (MA): Bereikte een mediaan nauwkeurigheid van 93,75%.
  • Dataset 2 (MA): Bereikte een mediaan nauwkeurigheid van 91,57% (vergeleken met 75,9% met sLDA).
  • Dataset 2 (MI): Bereikte een mediaan nauwkeurigheid van 87,80% (vergeleken met 65,6% met sLDA).
  • Dataset 3 (3-klassen MI): Bereikte een mediaan nauwkeurigheid van 86,75% (vergeleken met 68,68% met SVM).
• Kanaalspecifieke Bevindingen:
  • Resultaten Strategie A: Frontale en fronto-centrale kanalen (bijv. F4, AFF1h, FCC3h) toonden de hoogste nauwkeurigheid voor mentale rekenopdrachten (tot 98,33%), terwijl centrale en pariëtale gebieden (bijv. Pz, CCP3h) het beste presteerden voor motorische imaginatie (tot 96,55%). Temporale kanalen toonden over het algemeen lagere prestaties voor deze specifieke taken.
  • Resultaten Strategie B: Het model toonde sterke generaliseerbaarheid. Bijvoorbeeld, in Dataset 1, liet training op kanalen zoals POO1, POO2 en P4 het model toe om 100% nauwkeurigheid te bereiken wanneer getest op kanalen zoals P7, P3 en C3. In Dataset 2 leverde training op specifieke kanalen nauwkeurigheden tot 91,55% op voor MA en 73,45% voor MI wanneer getest op andere kanalen.
• Model-efficiëntie: De ondiepe CNN bood een gunstige afweging, waarbij de zware rekenlast van diepere netwerken (zoals LSTM of GoogLeNet) werd vermeden terwijl superieure nauwkeurigheid werd behouden.

Betekenis en Claims
De auteurs claimen dat deze studie bijdraagt aan de ontwikkeling van praktische, goedkope en gebruiksvriendelijke éénkanaals-BCI-systemen. De betekenis van het werk ligt in:

1. Haalbaarheid van Eénkanaals-BCI's: Aantonen dat complexe hersentoestanden kunnen worden gedecodeerd met behulp van één enkele elektrode, wat potentieel de noodzaak voor omstandige meer-elektrode headsets in real-world toepassingen elimineert.
2. Robuuste Biomerkers: Het identificeren van specifieke EEG-kanalen (ROI's) die het meest effectief zijn voor specifieke taken, wat de optimalisatie van elektrodeplaatsing voor draagbare apparaten kan sturen.
3. Generaliseerbaarheid: Bewijzen dat modellen die op één kanaal zijn getraind, generaliseren naar andere kanalen, wat suggereert dat de onderliggende neurale kenmerken over de schedel overdraagbaar zijn, wat de aanpasbaarheid van EEG-gebaseerde diagnostiek ondersteunt.
4. Rekenkundige Efficiëntie: Valideren dat ondiepe neurale netwerken voldoende zijn voor deze taak, waardoor ze geschikt zijn voor implementatie op draagbare, hulpbronnen-beperkte hardware.

Het artikel concludeert dat, hoewel meerkanaalsystemen een hoge ruimtelijke resolutie bieden, éénkanaalsbenaderingen ondersteund door deep learning-frameworks een transformerend potentieel bieden voor het implementeren van BCI's in alledaagse omgevingen, waarbij systeemsimpliciteit wordt gebalanceerd met redelijke classificatienauwkeurigheid.