EEG Foundation Model Improves Online Directional Motor Imagery Brain-computer Interface Control

Dit onderzoek presenteert een online EEG-foundation model dat door spectrogramreconstructie en online beperkingen tijdens het vooropleiden de prestaties van motorische voorstellings-BCI's aanzienlijk verbetert, met een 15,8% hogere nauwkeurigheid en snellere taakvoltooiing vergeleken met conventionele methoden.

De kern

Stel je voor dat je hersenen een enorme, drukke radiozender zijn die constant signalen uitzendt. Een Brain-Computer Interface (BCI) is als een ontvanger die probeert die signalen te vangen en ze om te zetten in bewegingen, zoals het besturen van een muis op je scherm.

Het probleem? De signalen van buitenaf (via de schedel) zijn vaak zwak en rommelig, net als een radio die door een storm wordt verstoord. Bestaande systemen zijn vaak traag, verwarrend voor de gebruiker en moeten voor elke persoon opnieuw worden "opgeleid", alsof je elke keer een nieuwe taal moet leren als je van computer wisselt.

Deze paper introduceert een slimme oplossing: een EEG Foundation Model genaamd C-STEM. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Super-Leraar" in plaats van de "Snelle Leerling"

Stel je voor dat je een student wilt leren een auto te besturen.

• De oude manier (conventionele AI): Je geeft de student alleen een lesboekje voor die ene auto en die ene route. Als de student de auto moet veranderen, moet hij opnieuw beginnen met leren.
• De nieuwe manier (C-STEM): De onderzoekers hebben een "Super-Leraar" (het basismodel) getraind met 1200 uur aan rijlessen van honderden verschillende mensen, op allerlei soorten wegen en in allerlei auto's. Deze leraar heeft een enorm breed begrip van hoe rijden werkt.

Wanneer deze leraar nu een nieuwe student (een nieuwe gebruiker) krijgt, hoeft hij niet vanaf nul te beginnen. Hij past zijn brede kennis direct aan op die specifieke student. Dit noemen ze finetuning.

2. Het Kijken door een Korte Kijker (Laag Latentie)

Een groot probleem bij BCI's is de vertraging. Stel je voor dat je een commando geeft, maar de computer duurt 1 seconde om te beslissen wat je bedoelt. In de echte wereld is dat te lang; je wilt direct reageren.

De meeste AI-modellen kijken naar lange stukken data (zoals een heel filmpje van 1 seconde) om te begrijpen wat er gebeurt. Dat duurt te lang.

• C-STEM's truc: Dit model is getraind om te kijken naar heel korte stukjes data, slechts 200 milliseconden (een flits).
• De analogie: Het is alsof je in plaats van een heel filmpje te bekijken om te zien of iemand loopt, alleen kijkt naar één enkele stap. Als je goed genoeg bent in het analyseren van die ene stap, kun je al weten of iemand loopt, zonder te hoeven wachten tot het hele filmpje voorbij is. Hierdoor is de reactietijd van de computer veel sneller en voelt de besturing veel natuurlijker.

3. De "Spiegel" die de Hersenen helpt

In het experiment moesten mensen met hun gedachten een cursor op het scherm bewegen (bijvoorbeeld: "Ik denk aan mijn rechterarm omhoog").

• Het resultaat: De mensen met de nieuwe "Super-Leraar" (C-STEM) werden veel sneller en accurater dan met de oude systemen.
• De verrassing: Het model hielp niet alleen de computer, maar ook de mens. Omdat het model zo goed en snel reageerde, leerden de mensen sneller hoe ze hun gedachten moesten sturen. Het was alsof de computer een spiegel was die de gebruiker direct liet zien: "Ja, zo bedoel je het!" Hierdoor leerden de gebruikers sneller om hun hersensignalen te controleren.

4. Wat betekent dit voor de toekomst?

Voor nu is dit een doorbraak voor gezonde mensen die willen experimenteren met BCI. Maar de droom is groter:

• Voor mensen met een handicap (zoals een dwarslaesie) kan dit betekenen dat ze sneller en intuïtiever een rolstoel of een robotarm kunnen besturen.
• Het maakt de technologie "slimmer" en minder afhankelijk van duizenden uren training voor elke individuele gebruiker.

Kort samengevat:
De onderzoekers hebben een AI gebouwd die eerst heeft "gelezen" in een enorme bibliotheek van hersensignalen. Hierdoor kan hij nu, in real-time, heel snel begrijpen wat iemand wil doen, zelfs met een heel kort moment van data. Dit maakt het besturen van computers met je gedachten sneller, makkelijker en natuurlijker, alsof je eindelijk een auto hebt die echt luistert naar wat je denkt.

Technische samenvatting

Probleemstelling

Hoewel niet-invasieve Brain-Computer Interfaces (BCI's) op basis van elektro-encefalografie (EEG) veelbelovend zijn voor het herstellen van motorische functies, worden ze beperkt door een lage ruimtelijke resolutie en een slechte signaal-ruisverhouding (SNR). Bestaande deep-learning-aanpakken zijn vaak geoptimaliseerd voor specifieke taken of onderwerpen en werken voornamelijk offline. Wanneer deze modellen online worden ingezet, ondervinden ze problemen met:

1. Latentie: Veel bestaande foundation-modellen vereisen lange tijdsvensters (1-4 seconden) voor pre-training, wat te traag is voor real-time feedback in een gesloten lus.
2. Aanpassingsvermogen: Modellen hebben vaak veel sessies nodig om te leren en presteren slecht bij inter-sessie variaties.
3. Intuïtiviteit: Huidige controlesystemen zijn vaak onnatuurlijk en moeilijk te leren, vooral bij complexe taken zoals het besturen van een cursor met één arm via dynamische bewegingsbeelden (motor imagery).

Er is een dringende behoefte aan een EEG-foundation model dat is ontworpen voor online gebruik, met lage latentie en het vermogen om robuuste, generaliseerbare neurale representaties te leren.

Methodologie

Het C-STEM Model (Compact Spectral-Temporal Embedding Model)
De auteurs introduceerden een aangepast foundation model genaamd C-STEM, specifiek ontworpen voor online BCI-toepassingen.

• Architectuur: Het model gebruikt een encoder-decoder architectuur met een transformer-stijl encoder en een quantizer-codebook paar.
• Pre-training: Het model werd vooraf getraind op meer dan 1200 uur aan ongelabelde EEG-data van 146 proefpersonen uit diverse open-source datasets (met taken zoals hand-, vinger- en voet-motor imagery).
  • Online beperkingen: In plaats van lange vensters, gebruikt C-STEM korte tijdsvensters van 200 ms (patches).
  • Taak: De pre-training bestaat uit het reconstrueren van zowel het ruwe signaal als het spectrogram. De verliesfunctie weegt de alpha (8-13 Hz) en beta (13-30 Hz) banden zwaarder, aangezien deze cruciaal zijn voor sensorimotorische ritmen.
• Finetuning: Voor downstream taken worden de encoder en het codebook bevroren. Een lineaire laag wordt toegevoegd voor classificatie. Dit maakt snelle aanpassing aan nieuwe onderwerpen of taken mogelijk.

Experimenteel Ontwerp

• Deelnemers: 11 gezonde volwassenen (met eerdere BCI-ervaring).
• Taak: Een uitdagende online cursorcontrole-taak waarbij deelnemers met één arm (rechterarm) directionele bewegingen (omhoog, omlaag, links, rechts) moesten visualiseren.
• Paradigma's:
  1. Gestuurde beweging (Guided): De cursor beweegt niet direct; deelnemers krijgen feedback (groen/rood) of de voorspelling overeenkomt met de cue.
  2. Vrije beweging (Free): De cursor beweegt direct op basis van de voorspelling zonder visuele cues.
• Vergelijking: C-STEM werd vergeleken met een conventioneel deep-learning model (EEGNet). Beide modellen werden getraind en getest in een willekeurige, blinde volgorde over meerdere sessies.

Belangrijkste Bijdragen

1. Ontwerp van een Online-constraint Foundation Model: C-STEM is het eerste EEG-foundation model dat specifiek is ontworpen met online beperkingen (kleine tijdsvensters, minimale pre-processing) tijdens de pre-training, waardoor het geschikt is voor real-time gesloten-lus systemen.
2. Lage Latentie: Door te trainen met 200 ms vensters, kan het model discriminatieve informatie veel sneller extraheren dan bestaande modellen die op langere vensters zijn getraind.
3. Co-adaptatie en Leren: Het model faciliteert niet alleen betere decoding, maar helpt ook de gebruiker om een meer onderscheidend signaal te genereren (co-adaptatie).
4. Generalisatie: Het model toont superioriteit in zowel motor imagery als motor execution, zelfs bij taken die niet volledig in de pre-training dataset zaten.

Resultaten

• Prestatie in Gestuurde Taak: C-STEM bereikte een gemiddelde nauwkeurigheid van 51,3% in de laatste sessie. Dit is een stijging van 15,8% ten opzichte van EEGNet (35,5%) en 26,3% boven het toevalsniveau (25%).
• Prestatie in Vrije Beweging: C-STEM leidde tot een hoger aantal voltooide cursoren (gemiddeld 3,97 hits vs. 2,75 bij EEGNet) en kortere voltooingstijden (33,8s vs. 37,4s).
• Latentie-analyse: C-STEM bereikte zijn pieknauwkeurigheid bij 560 ms na het begin van de trial, terwijl EEGNet pas bij 1100 ms piekte. C-STEM bereikte 90% van zijn piekprestatie al bij 160 ms, wat cruciaal is voor responsieve feedback.
• Aanpassing (Finetuning): Tijdens de sessie finetunen resulteerde in een significante verbetering voor C-STEM (van 47,4% naar 55,1%), terwijl EEGNet geen merkbare verbetering liet zien.
• Statistiek: De verbeteringen waren statistisch significant (p < 0,05) voor nauwkeurigheid, precisie, recall en aantal hits, met grote effectgroottes (Cohen's d > 1 voor nauwkeurigheid).

Betekenis en Conclusie

Deze studie bewijst dat EEG-foundation modellen effectief kunnen worden geïntegreerd in real-time, online BCI-systemen. Door de pre-training te beperken tot korte tijdsvensters en spectrogram-reconstructie, overwint C-STEM de latentieproblemen van eerdere foundation-modellen.

De belangrijkste implicaties zijn:

• Robuustheid: Het model leert sterke, generaliseerbare neurale representaties die werken over verschillende taken en onderwerpen heen.
• Gebruikersvriendelijkheid: Het systeem ondersteunt intuïtieve, dynamische controle met één arm, wat een stap is richting meer natuurlijke BCI-interacties.
• Toekomstperspectief: Hoewel de huidige studie beperkt was tot gezonde proefpersonen met ervaring, opent dit pad de weg voor toepassing bij klinische populaties (zoals mensen met verlamming) en voor BCI-illiteraten, mits de datasets verder worden uitgebreid.

Kortom, C-STEM biedt een veelbelovend raamwerk voor de volgende generatie niet-invasieve BCI's die zowel nauwkeurig als responsief zijn.