Average Rankings Mask Per-Subject Optimality: A Friedman–Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders

Het menselijk brein is een uitgestrekt, ruisend landschap van elektrische signalen. Wanneer we ons voorstellen dat we een hand bewegen, zelfs zonder deze daadwerkelijk te bewegen, stromen er specifieke patronen van elektriciteit over de hoofdhuid. Brain-computer interfaces, of BCI's, zijn apparaten die zijn ontworpen om naar deze fluisteringen te luisteren en ze te vertalen naar commando's voor computers of robotarmen. Voor mensen die hun spieren niet kunnen bewegen als gevolg van letsel of ziekte, biedt deze technologie een levenslijn: een manier om te communiceren of de omgeving te controleren met enkel gedachten. De elektrische patronen van de menselijke hersenen zijn echter diep persoonlijk. De elektrische patronen van de verbeelding van de ene persoon zien er anders uit dan die van een ander, en zelfs de signalen van dezelfde persoon kunnen van dag tot dag veranderen, afhankelijk van vermoeidheid, aandacht of de plaatsing van de sensoren op het hoofd. Deze variabiliteit maakt het bouwen van een enkele, universele decoder — een "one-size-fits-all" hersenlezer die voor iedereen perfect werkt — een ongrijpbaar doel.

Jarenlang hebben onderzoekers gedebatteerd over welke wiskundige methode het beste is bij het decoderen van deze gedachten. De heersende wijsheid in het vakgebied heeft vaak gewezen naar een enkele kampioen: een techniek gebaseerd op de geometrie van de elektrische patronen van de hersenen, die velen beschouwden als de superieure keuze voor iedereen. Een nieuwe studie daagt deze aanname uit door een simpelere, meer fundamentele vraag te stellen: als we elke mogelijke methode haar absolute beste kans geven om op één persoon te werken, wint er dan nog steeds één methode voor iedereen? Het antwoord, zo ontdekten de onderzoekers, is nee.

In deze studie probeerde het team de grenzen van deze decoderingsmethoden te testen onder de meest gunstige omstandigheden. Ze verzamelden gegevens uit drie openbare collecties hersenopnames, waarbij in totaal meer dan 160 deelnemers betrokken waren. Deze deelnemers hadden een standaardtaak uitgevoerd: het voorstellen van het bewegen van hun linkerhand versus hun rechterhand. De onderzoekers probeerden niet gedachten te voorspellen over verschillende dagen of verschillende mensen heen, wat de moeilijkste uitdaging is. In plaats daarvan concentreerden zij zich op het eenvoudigste scenario: het nemen van de gegevens van een enkele sessie van een enkel persoon, het trainen van een model op de helft ervan, en het testen van het model op de andere helft. Deze aanpak geeft elke methode haar best mogelijke kans.

Vervolgens voerden ze een enorme vergelijking uit. Ze testten niet slechts één of twee methoden; ze construeerden meer dan duizend verschillende combinaties van instrumenten. Elke combinatie bestond uit een manier om kenmerken uit de hersensignalen te extraheren, een methode om de getallen op te schonen en een specif kind van rekenmachine om de uiteindelijke beslissing te nemen. Ze testten deze duizenden configuraties tegen de gegevens van elke deelnemer. Het doel was om te zien of er een enkele "winnaar" naar voren kwam die consequent beter presteerde dan alle anderen over de hele linie.

De resultaten toonden aan dat hoewel sommige methoden over het algemeen sterk zijn, er geen enkele methode bestaat die voor iedereen het beste is. Twee families van methoden, waarvan één gebaseerd op het vinden van ruimtelijke patronen en de andere op de geometrische structuur van de signalen, presteerden gemiddeld het best. Echter, hun rangorde hing volledig af van welke groep mensen werd getest. Op één dataset was de geometrische methode duidelijk superieur. Op de grotere, meer diverse dataset waren de twee topmethoden statistisch gelijkwaardig en presteerden ze bijna identiek.

Belangrijker nog, de studie onthulde dat de "beste" methode van persoon tot persoon veranderde. Bij de grootste groep deelnemers was de best presterende methode in totaal eigenlijk de beste keuze voor slechts ongeveer 35 procent van de mensen. Voor een andere 32 procent was een totaal ander type methode, één die kijkt naar de complexiteit en onregelmatigheid van de signalen in plaats van de geometrie, de duidelijke winnaar. De overige deelnemers hadden hun eigen unieke voorkeuren. Als een arts of ingenieur slechts één methode zou kiezen om voor iedereen te gebruiken, zouden ze nauwkeurigheid laten liggen. Door de specifieke methode af te stemmen op de specifieke persoon, berekenden de onderzoekers dat ze de nauwkeurigheid met ongeveer zeven procentpunten konden verbeteren — een aanzienlijke winst in dit vakgebied.

De onderzoekers onderzochten ook of deze verschillen simpelweg voortkwamen uit het feit dat sommige methoden meer getallen gebruikten dan andere. Ze vonden dat het aantal gegevenspunten de resultaten niet verklaarde. Een methode die zeer weinig gegevenspunten gebruikte, kon een methode overtreffen die er duizenden gebruikte, en twee methoden die exact dezelfde hoeveelheid gegevens gebruikten, konden zeer verschillend presteren. Dit bewees dat het succes van een methode afhing van de specifieke structuur van de hersensignalen voor dat individu, en niet van de grootte van het wiskundige model.

Bovendien toonde de studie aan dat zodra een goede methode voor het lezen van de hersensignalen was gekozen, de specifieke rekenmachine die werd gebruikt om de uiteindelijke beslissing te nemen, er nauwelijks toe deed. Simpele, standaardinstrumenten werkten net zo goed als complexe, flexibele instrumenten. Dit suggereert dat de sleutel tot betere herseninterfaces niet ligt in het bouwen van complexere rekenmachines, maar in het zorgvuldig selecteren van de juiste manier om de unieke taal van de hersenen van elk individu te lezen.

De studie concludeert dat het idee van een universele decoder die perfect werkt voor elk menselijk brein waarschijnlijk een mythe is. De variabiliteit tussen mensen is zo diepgaand dat een enkele pijplijn niet kan domineren. In plaats van te zoeken naar een enkele wondermiddel, moet het vakgebied de focus mogelijk verschuiven naar personalisatie. De meest effectieve weg vooruit is om te erkennen dat het beste instrument voor de één het verkeerde instrument voor de ander kan zijn, en om systemen te bouwen die kunnen aanpassen aan de unieke neurofysiologie van elke gebruiker. Dit is geen falen van de technologie, maar een erkenning van de rijke diversiteit van het menselijk brein.