EEG Microstate Sequences as Potential Brain-Computer Interface Triggers Derived from Motor Imagery Classification

Het menselijk brein is een constante stroom van elektrische activiteit, een complexe symfonie van signalen die in milliseconden verschuift en verandert. Decennialang hebben wetenschappers die machines probeerden te bouwen die deze signalen kunnen lezen, te maken gehad met een moeilijk probleem: de ruwe data is overweldigend. Het is een chaotische vloedgolf van informatie van duizenden sensoren die op de hoofdhuid zijn geplaatst, waardoor het moeilijk is om de specifieke patronen te vinden die overeenkomen met de gedachten of intenties van een persoon. Om dit op te lossen, zijn onderzoekers begonnen de hersenactiviteit niet te zien als een continue, rommelige stroom, maar als een reeks afzonderlijke, stabiele momentopnames. Deze momentopnames, bekend als microstates, vertegenwoordigen korte momenten waarop het brein tot rust komt in een specifieke ruimtelijke ordening van activiteit voordat het snel naar de volgende verschuift. Denk bij deze microstates aan de fundamentele bouwstenen van het denken, de basisunits die samenkomen om onze interne mentale processen te vormen. Als wetenschappers leren deze opeenvolging van bouwstenen te herkennen en te volgen, kunnen ze mogelijk een eenvoudigere, betrouwbaardere manier creëren voor mensen om met computers te communiceren met alleen hun geest.

Een recente studie zette zich af om te testen of deze sequenties van hersensnapshots als de trigger kunnen dienen voor een brain-computer interface, een apparaat dat neurale activiteit vertaalt naar commando's. De onderzoekers concentreerden zich op een specifieke mentale taak: het voorstellen van de beweging van ofwel de linker- of de rechterhand. Dit is een veelvoorkomende oefening in brain-computer onderzoek omdat de hersenen oplichten in verschillende gebieden afhankelijk van welke hand een persoon denkt te bewegen. In plaats van de ruwe elektrische signalen direct te analyseren, heeft het team de data eerst omgezet in deze microstate-sequenties. Vervolgens voedden ze deze vereenvoudigde informatie in een geavanceerd computermodel dat ontworpen is om patronen te leren. Dit model werd in twee delen opgebouwd: één sectie die leerde de hersenpatronen uit de data te reconstrueren, en een andere die leerde ze in categorieën te sorteren. De onderzoekers testten twee manieren om dit model te onderwijzen. Bij de eerste methode trainden ze de twee secties afzonderlijk, zoals een student leren lezen voordat je hem leert schrijven. In de tweede methode trainden ze het hele systeem tegelijkertijd, waardoor de onderdelen simultaan van elkaar konden leren.

De resultaten lieten zien dat deze aanpak opmerkelijk goed werkte. Het computermodel slaagde erin om onderscheid te maken tussen de hersenpatronen die geassocieerd worden met het voorstellen van de linkerhand en die geassocieerd worden met de rechterhand. Wanneer het getest werd op dezelfde persoon tijdens dezelfde sessie, kon het systeem de beoogde beweging met een hoge nauwkeurigheid identificeren. Belangrijker nog, de onderzoekers ontdekten dat het systeem zich kon aanpassen aan nieuwe situaties zonder vanaf nul te beginnen. Door gebruik te maken van een techniek genaamd transfer learning, waarmee een model wat het geleerd heeft in één context kan toepassen op een nieuwe context, bereikte het systeem pieknauwkeurigheden van classificatie rond de 89 procent bij de overgang tussen verschillende sessies of zelfs tussen verschillende mensen. Dit suggereert dat de specifieke sequentie van hersentoestanden een robuust signaal is dat niet verdwijnt wanneer de testcondities veranderen.

Misschien wel de meest praktische bevinding betreft de tijd die nodig is om een dergelijk systeem op te zetten. Een grote hindernis voor brain-computer interfaces is geweest door het langdurige kalibratieproces, waarbij een gebruiker urenlang moet zitten en de machine moet trainen om hun specifieke hersensignalen te begrijpen. De studie onderzocht hoeveel trainingsdata noodzakelijk was om een bruikbaar prestatieniveau te bereiken. Ze ontdekten dat, gemiddeld genomen, slechts ongeveer 400 seconden aan data nodig waren om het systeem te kalibreren tot een nauwkeurigheid van 80 procent. Dit is een significante vermindering van de tijd die een gebruiker moet besteden aan het voorbereiden van het apparaat. De studie concludeert dat door de complexe, multichannels elektrische signalen van het brein terug te brengen tot een specifiek aantal toestanden in de tijd, en vervolgens geavanceerde leermethoden op die toestanden toe te passen, het mogelijk is om een gebruiksvriendelijkere interface te creëren. Hoewel het werk nog in de onderzoeksfase zit, suggereren de bevindingen dat het volgen van deze hersentrajecten een veelbelovend pad biedt naar brain-computer interfaces die minder setup vereisen en betrouwbaarder werken in real-world toepassingen.