Stel je voor dat je brein een bruisende stad is, die constant radiosignalen uitzendt om alles te coördineren, van het bewegen van je hand tot het voorstellen van een hardloopronde. Soms willen we in deze signalen tappen om met machines te communicëren zonder een woord te zeggen of een spier te bewegen. Dit is de wereld van Brain-Computer Interfaces (BCI). Een van de meest populaire manieren om dit te doen is "Motor Imagery", waarbij je simpelweg denkt aan het bewegen van je linker- of rechterhand, en je brein een uniek elektrisch patroon uitzendt om dit te doen. De uitdaging? Deze hersensignalen zijn als proberen een specifiek gesprek te horen in een overvol, lawaaierig stadion. Ze zijn rommelig, veranderen van persoon tot persoon en zijn ongelooflijk moeilijk nauwkeurig te decoderen. Jarenlang hebben wetenschappers geprobeerd betere "luisterapparaten" (algoritmen) te bouwen om deze gedachten te begrijpen, maar veel van de oude instrumenten waren óf te traag, óf te ingewikkeld, óf misten simpelweg de subtiele details van het gesprek.

Maak kennis met een nieuw team onderzoekers dat besloot een slimmere, snellere luisteraar te bouwen. Ze creëerden een systeem genaamd STE-BiMamba, dat fungeert als een superkrachtige detective voor hersengolven. In plaats van alleen naar het lawaai te luisteren, weet deze detective precies hoe hij moet afstemmen op het specifieke ritme van een gedachte, of het nu een korte vonk is of een lange, gestage brom. Het artikel laat zien dat deze nieuwe detective niet alleen beter is in het uitzoeken waar je aan denkt bij het bewegen van je hand, maar ook veel lichter en sneller is dan de zware, logge machines die voorheen werden gebruikt. Het is een stap richting het bruikbaar maken van brein-gestuurde technologie voor dagelijs gebruik, zoals het besturen van een robotarm of een videogame met alleen je geest, zonder dat je een supercomputer nodig hebt voor de berekeningen.

De "Gedachtendetective" van het Brein

De onderzoekers achter deze studie, onder leiding van Ruiqing Li en collega's van de Fujian Agriculture and Forestry University, pakten het rommelige probleem van het decoderen van Motor Imagery (MI) EEG-signalen aan. Beschouw EEG-signalen als een chaotische radio-uitzending waarbij de "muziek" van je gedachten vermengd is met statische ruis. Eerdere methoden waren als het proberen te begrijpen van een lied door alleen naar de baslijn te luisteren (de melodie negeren) of door een gigantische, trage computer te gebruiken die er eeuwen over deed om de melodie te ontcijferen.

Het team stelde STE-BiMamba voor, een nieuw soort neuraal netwerk dat is ontworpen om de ultieme decoder van hersensignalen te zijn. Ze bouwden het met drie speciale instrumenten in hun detective-kit:

1. De Multi-Scale Tijdvanger: Stel je voor dat je een verhaal probeert te begrijpen. Je moet zowel de snelle, scherpe woorden (zoals een plotselinge snik) als de lange, vloeiende zinnen (zoals een kalme uitleg) horen om het volledige beeld te krijgen. Oude modellen misten vaak het één of het ander. STE-BiMamba gebruikt parallelle "oren" (convolutielagen) die de hersensignalen tegelijkertijd op verschillende snelheden beluisteren. Sommige vangen de minuscule, fractie van een seconde durende veranderingen in het signaal op, terwijl andere luisteren naar de langere, ritmische patronen. Dit zorgt ervoor dat geen enkel detail verloren gaat.
2. De Three-View Statistic Pooler: Zodra het signaal is opgevangen, moet het model het samenvatten. In plaats van alleen een gemiddelde te nemen (wat belangrijke details zou kunnen afvlakken), bekijkt dit instrument het signaal vanuit drie verschillende hoeken: de piek (het luidste moment), het gemiddelde (het algemene volume) en de variantie (hoeveel het signaal wiebelt of verandert). Het is als het beoordelen van een optreden, niet alleen op basis van het gemiddelde applaus, maar ook op basis van de luidste juichkreet, het constante ritme van het klappen en hoe de opwinding van het publiek fluctueerde. Dit creëert een veel rijker en nauwkeuriger samenvatting van de gedachte.
3. De Bi-Directional Mamba: Dit is de ster van de show. Eerdere modellen keken vaak naar de hersensignalen als een trein die slechts in één richting beweegt, waardoor de context uit de toekomst werd gemist. STE-BiMamba gebruikt een "Mamba"-architectuur, een type AI dat het signaal zowel vooruit als achteruit tegelijkertijd kan bekijken. Het is alsoals een boek lezen en de plot begrijpen door tegelijkertijd naar het begin en het einde te kijken. Cruciaal is dat, in tegen tegenstelling tot oudere "Transformer"-modellen die steeds trager worden naarmate het verhaal langer wordt (zoals een verkeersopstopping), het Mamba-model snel en efficiënt blijft, ongeacht hoe lang het signaal is.

De Resultaten: Sneller, Lichter en Slimmer

Om hun nieuwe detective te testen, voerde het team experimenten uit op vier verschillende datasets: drie beroemde publieke datasets (BCIC-IV-2a, BCIC-IV-2b en HGD) en een gloednieuwe dataset die ze zelf hebben verzameld genaamd VR-MI, opgenomen in een virtuele realiteit-omgeving met 20 deelnemers.

De resultaten waren indrukwekkend. Op hun eigen VR-MI-dataset behaalde het model een nauwkeurigheid van 97,50% bij het testen op dezelfde persoon op een ander tijdstip, en 85,05% bij het proberen te raden van de gedachten van een nieuw persoon die het nog nooit eerder had gezien. Op de publieke datasets versloeg het consequent de beste bestaande methoden. Zo bereikte het op de HGD-dataset bijvoorbeeld 95,67% nauwkeurigheid, waarmee het andere topmodellen zoals CNN-Mamba en Conformer overtrof.

Maar de echte magie zat niet alleen in de nauwkeurigheid; het zat in de snelheid en de omvang. De auteurs vergeleken STE-BiMamba met een populair model genaamd Conformer. Ze ontdekten dat STE-BiMamba twee keer zo snel was in het doen van een voorspelling (inferentietijd van 48 ms vergeleken met 93 ms) en 3,5 keer minder parameters gebruikte (slechts 223,31K parameters versus 789,82K). Dit betekent dat het nieuwe model veel lichter is, wat het een veel betere kandidaat maakt voor het draaien op draagbare apparaten of real-time systemen waar snelheid en batterijduur belangrijk zijn.

Waarom het ertoe doet

Het artikel sluit expliciet de gedachte uit dat we enorme, trage en complexe modellen nodig hebben om hersensignalen te decoderen. Door aan te tonen dat een model met lineaire tijd (één dat efficiënt schaalt) de zwaargewichten kan overtreffen, suggereren de auteurs dat de toekomst van BCI in efficiëntie ligt. Ze toonden ook aan dat het bekijken van signalen vanuit meerdere statistische hoeken (gemiddelde, variantie, maximum) en in beide richtingen (vooruit en achteruit) cruciaal is om de klus goed te klaren.

Via "ablatie-studies" (waarbij ze delen van het model verwijderden om te zien wat er gebeurde) bewezen ze dat elk onderdeel van hun puzzel noodzakelijk was. Het verwijderen van de multi-scale oren, de three-view samenvatting of de achterwaarts kijkende Mamba zorgde allemaal voor een significante daling in de nauwkeurigheid. Dit bevestigt dat de synergie van deze drie componenten is wat het systeem zo goed laat werken.

Kortom, STE-BiMamba is niet zomaar een kleine verbetering; het is een heroverweging van hoe we naar het brein luisteren. Het biedt een precisie-oplossing met een laag gewicht die de motor imagery BCI eindelijk praktisch kan maken voor dagelijks gebruik, waardoor verlamde patiënten een robotarm of exoskelet kunnen besturen met een snelheid en betrouwbaarheid die voorheen onbereikbaar was. De auteurs concluderen dat hoewel ze een grote sprong hebben gemaakt, de reis doorgaat, vooral om deze systemen nog beter te laten werken voor verschillende mensen, en niet alleen voor degenen op wie ze al getraind zijn.