🤖 machine learning

EEG Decoding Using CNN and LSTM Network

Dit artikel stelt een hybride diepe leerarchitectuur voor die een Convolutional Neural Network (CNN) en een bidirectioneel Long Short-Term Memory (bi-LSTM) netwerk combineert om motorische verbeeldings-EEG-signalen robuust te decoderen voor zowel subject-afhankelijke als subject-onafhankelijke classificatietaken.

Oorspronkelijke auteurs: Athanasios Karagounis

Gepubliceerd 2026-08-14

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Athanasios Karagounis

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je brein een bruisende stad is waar miljarden kleine boodschappers (neuronen) constant berichten naar elkaar schreeuwen. Soms gaan deze berichten over het bewegen van je hand, of misschien alleen maar over het voorstellen van het bewegen van je hand. Een Brain-Computer Interface (BCI) is als een supergeavanceerde walkie-talkie die probeert naar deze fluisteringen te luisteren en ze om te zetten in commando's voor een computer, een robot of een videogame. Dit is een enorme zaak voor mensen die hun lichaam niet kunnen bewegen vanwege ziekte of letsel, omdat het hen een nieuwe manier geeft om met de wereld te communiceren.

Maar er is een addertje onder het gras: de signalen van het brein zijn ongelooflijk rommelig. Het is alsof je probeert één persoon te horen fluisteren in een stadion vol juichende fans. De signalen zijn zwak, luidruchtig en moeilijk te begrijpen. Lange tijd moesten wetenschappers deze ruis handmatig opschonen en raden welke delen van het signaal belangrijk waren, een beetje zoals proberen een speld in een hooiberg te vinden met de hand. Onlangs zijn computers begonnen "deep learning" te gebruiken — een type kunstmatige intelligentie dat zelfstandig patronen leert herkennen — om dit werk beter te doen. Echter, zelfs deze slimme computers hebben soms moeite om het volledige verhaal te vatten, omdat hersensignalen in de loop van de tijd veranderen en de computer zowel moet begrijpen waar het signaal vandaan komt als wanneer het gebeurt.

Hier komt de studie van Athanasios Karagounis kijken. De onderzoeker bouwde een nieuw soort "brein-lezende" machine die twee krachtige AI-instrumenten combineert: een Convolutional Neural Network (CNN) en een Bidirectional Long Short-Term Memory (bi-LSTM) netwerk. Zie het CNN als een superdetective die de elektrische kaart van het brein scant om de belangrijkste plekken te vinden, waarbij het de statische ruis wegfiltert zoals een radio-afstemmer een heldere zender vindt. Zodra het CNN de goede aanwijzingen heeft gevonden, fungeert de bi-LSTM als een tijdreizende detective. Het kijkt niet alleen naar de aanwijzingen in de volgorde waarin ze gebeurden; het kijkt tegelijkertijd naar het verleden en de toekomst van het signaal om het volledige verhaal te begrijpen van wat de persoon zich voorstelt.

Het artikel test dit nieuwe hybride systeem op twee verschillende groepen gegevens: een privéset van opnames van zes gezonde mensen en verschillende publieke datasets van andere onderzoekers. Het doel was om te zien of de computer het verschil kon zien tussen mensen die zich voorstelden hun linkerhand, hun rechterhand of zelfs hun tong te bewegen. De resultaten waren veelbelovend. Het nieuwe CNN&bi-LSTM team versloeg oudere, standaard methoden zoals Linear Discriminant Analysis (LDA) en Support Vector Machines (SVM). In tests met de privédata kreeg het nieuwe systeem gemiddeld ongeveer 85,4% van de antwoorden goed, terwijl de oudere methoden rond de 69% tot 79% schommelden. Nog interessanter was dat het systeem goed functioneerde, zelfs wanneer de hoeveelheid trainingsdata werd verminderd, wat suggereert dat het robuust is en geen enorme bibliotheek aan voorbeelden nodig heeft om te leren.

De onderzoekers ontdekten dat het systeem het beste leerde wanneer het zich concentreerde op 40 specifieke elektroden (sensoren) op het hoofd, in plaats van alle 6 4 beschikbare te gebruiken, wat eigenlijk hielp om "overdenken" van de data te voorkomen. Ze ontdekten ook dat de AI de signalen niet alleen uit het hoofd leerde; het begon complexe patronen te herkennen die op golven leken, waarbij het steeds geavanceerder werd naarmate het dieper in de lagen van zijn eigen "brein" graafde. Hoewel de verbetering ten opzichte van bestaande methoden gestaag was in plaats van een enorme explosie, suggereert de studie dat het combineren van ruimtelijke filtering (het vinden van de juiste plek) met bidirectionele tijdsmodellering (het begrijpen van de stroom van de tijd) een slimmere manier is om onze gedachten te decoderen. Het artikel concludeert dat deze aanpak een solide, verenigde manier biedt om rommelige hersengolven om te zetten in heldere commando's, wat potentieel de weg vrijmaakt voor betere revalidatiehulpmiddelen voor de mensen die ze het hardst nodig hebben.

Technische Samenvatting: EEG-decodering met behulp van een CNN- en LSTM-netwerk

Probleemstelling
Motorische verbeelding (MI) brein-computer interfaces (BCI's) bieden een veelbelovend communicatiepad voor individuen met beroerte of neurodegeneratieve stoornissen door geïmageerde bewegingen te vertalen naar besturingssignalen zonder dat daarvoor overtijdse fysieke beweging vereist is. Het blijft echter uitdagend om betrouwbare decodering van motorische verbeelding-elektro-encefalografie (MI-EEG) te realiseren vanwege de aanzienlijke ruis die inherent is aan EEG-opnames en de complexe, zwak informatieve relaties tussen de signalen en de onderliggende hersenactiviteit. Hoewel deep learning een middel biedt om representaties direct uit ruwe signalen te leren, is de toepassing ervan op MI-EEG kenmerkextractie relatief beperkt gebleven. Bovendien vereisen conventionele deep-learning pipelines die uitsluitend vertrouwen op individuele Convolutionele Neurale Netwerken (CNN's) of Recurrente Neurale Netwerken (RNN's) vaak aanzienlijke handmatige inspanning voor feature engineering, parameteroptimalisatie en modeltraining, waarbij ze er niet in slagen om de noodzakelijke ruimtelijke en temporele afhankelijkheden volledig te vatten.

Methodologie
De studie stelt een hybride deep-learningarchitectuur voor die een Convolutioneel Neuraal Netwerk (CNN) integreert met een Bidirectioneel Long Short-Term Memory (bi-LSTM) netwerk om deze beperkingen aan te pakken.

Data-acquisitie en Preprocessing: Het framework werd geëvalueerd met behulp van een private dataset (D1) verkregen met 64 elektroden en drie publieke datasets (D2–D4) met variërende elektrode-aantallen (32 of 64). De preprocessing omvatte het refereren van signalen aan de vertex-elektrode (Cz), het selecteren van de belangrijkste MI-EEG elektrode-locaties (bijv. C3, C4, P3, P4), wavelet-gebaseerde denoising, en banddoorlaatfiltering binnen het bereik van 8–23 Hz om $\mu$ - en $\beta$ -ritmes te isoleren.
CNN Kenmerkextractie: Het CNN-component dient als een ruimtelijke filter die is ontworpen om hoogwaardige ruimtelijke en temporele representaties direct uit ruwe MI-EEG-opnames te leren. Het maakt gebruik van acht ruimtelijke filters met een kernelgrootte van $[36 \times 1]$ om de oorspronkelijke EEG-kanalen te transformeren naar taakgerichte kenmerkrepresentaties. Deze laag voert een geleerde ruimtelijke filtering uit die analoog is aan banddoorlaatfiltering en energie-extractie, wat de afhankelijkheid van handmatige kenmerkselectie vermindert.
Batch Normalisatie: Om de generalisatie te verbeteren en optimalisatie te versnellen, wordt batch normalisatie (BN) toegepast na de kenmerkextractie. Dit normaliseert de inputs naar een gemiddelde van nul en een standaarddeviatie van één, waardoor interne covariantieverschuiving wordt gemitigeerd.
Bidirectionele LSTM-modellering: De geëxtraheerde kenmerken worden verwerkt door een bi-LSTM-netwerk om de temporele dynamiek en afhankelijkheden te modelleren. In tegenstelling tot standaard LSTMs die alleen voorgaande inputs gebruiken, verwerkt de bi-LSTM de sequentie in zowel de voorwaartse als achterwaartse richting. Dit stelt het netwerk in staat om contextuele informatie uit zowel eerdere als latere observaties op te nemen, waardoor complementaire afhankelijkheden over verschillende tijdschalen worden gevangen. Het netwerk maakt gebruik van standaard LSTM-poorten (input, forget, output) en celtoestanden om problemen met verdwijnende gradiënten te mitigeren.
Trainingsstrategie: Het model wordt getraind met kruisvalidatie waarbij Mean Squared Error (MSE) als de objectieve functie wordt gebruikt, gekozen boven cross-correlatie vanwege de aanwezigheid van rusttoestanden in de data. Gesuperviseerde pre-training wordt ingezet om gewichten te initialiseren met behulp van LASSO-afgeleide coëfficiënten, wat een oplossing biedt die gerelateerd is aan kleinste-kwadratenregressie voordat er wordt geoptimaliseerd voor temporele correlaties.

Belangrijkste Bijdragen

Hybride Architectuur: Het artikel introduceert een CNN&bi-LSTM architectuur die specifiek is ontworpen om informatieve langetermijn-temporele patronen te behouden terwijl de classificatieprestaties van MI-EEG-gebaseerde BCI's worden verbeterd.
End-to-End Learning: Het framework leert ruimtelijke en temporele afhankelijkheden direct van ruwe EEG-metingen. Het CNN extraheert kenmerken zonder handmatige engineering, terwijl de bi-LSTM sequentiële dynamiek modelleert om de representatie van temporele afhankelijkheden te verbeteren.
Uitgebreide Evaluatie: De aanpak wordt uitgebreid beoordeeld met behulp van zowel een private dataset als meerdere publiekelijk beschikbare datasets, wat prestaties aantoont over verschillende subjectgroepen en experimentele configuraties.

Experimentele Resultaten
De voorgestelde methode werd vergeleken met Linear Discriminant Analysis (LDA), Support Vector Machines (SVM), standaard CNN's en RNN's.

Private Dataset (D1): Het CNN&bi-LSTM model behaalde een gemiddelde classificatienauwkeurigheid van 85,4% over zeven subjecten. Dit presteerde beter dan LDA (69,5%), SVM (73,0%), CNN (75,9%) en RNN (79,5%). De hoogste subject-specifieke nauwkeurigheid bereikte 92,5%.
Publieke Datasets (D2–D4): Het hybride model presteerde consistent beter dan alternatieve machine learning en recurrente architecturen. Op D2, D3 en D4 behaalde het voorgestelde model nauwkeurigheden van respectievelijk 81,80%, 87,97% en 85,32%. Deze resultaten waren superieur aan single-layer LSTMs, multi-layer RNN's en ST-CNN's, wat aangeeft dat het combineren van convolutionele kenmerkextractie met bidirectionele temporele modellering effectiever is dan simpelweg de netwerkdiepte te vergroten.
Robuustheid: Experimenten gaven aan dat de architectuur relatief robuust is tegen reducties in de omvang van de trainingsdata, waarbij ongeveer 89% nauwkeurigheid wordt behouden met slechts 60% van de beschikbare data. Daarnaast piekte de prestatie bij 40 elektroden, wat suggereert dat excessieve kanaalaantallen kunnen leiden tot overfitting.

Significantie en Claims
Het artikel claimt dat de voorgestelde CNN&bi-LSTM architectuur een verenigd mechanisme biedt voor het transformeren van laag-niveau EEG-metingen naar hoog-niveau representaties die zowel temporele als frequentiegerelateerde informatie bevatten. De resultaten tonen aan dat de methode effectief informatieve componenten van MI-EEG-signalen kan benadrukken en competitieve classificatieprestaties kan behalen over diverse datasets en subjecten. De auteur stelt dat het gebruik van bidirectionele recurrente modellering een potentieel alternatief vormt voor conventionele spectrale-feature-gebaseerde EEG-analyse. Er wordt gesuggereerd dat deze aanpak toekomstig onderzoek en praktische toepassingen in MI-EEG-gebaseerde revalidatiesystemen kan ondersteunen, door een robuuste oplossing te bieden voor subject-onafhankelijke decodering.

Meer zoals dit