Onderzoekers van de Chiba University in Japan hebben een geavanceerd deep learning-model ontwikkeld dat de interpretatie van hersensignalen via elektro-encefalografie (EEG) aanzienlijk verbetert. Het zogeheten Topology-Aware Multiscale Feature Fusion (TA-MFF) network biedt een grote sprong vooruit in het decoderen van zogeheten motor imagery-signalen. Dit is hersenactiviteit die optreedt wanneer iemand een beweging voor zich ziet of zich inbeeldt, zonder die daadwerkelijk uit te voeren.
EEG is een niet-invasieve methode die via elektroden op de schedel de elektrische activiteit van de hersenen meet. Deze techniek wordt breed toegepast, van neurologische diagnostiek tot onderzoek naar brain-computer interfaces (BCI) en robotprothesen. Toch blijft het decoderen van deze signalen een uitdaging: de hersenactiviteit is complex, ruisgevoelig en variabel in de tijd.
Slimmere AI voor hersensignalen
Om deze obstakels te overwinnen, ontwikkelden promovendus Chaowen Shen en hoogleraar Akio Namiki een deep learning-netwerk dat rekening houdt met de topologische structuur van hersensignalen. Waar bestaande AI-modellen vooral ruimtelijke en temporele patronen herkennen, gaat TA-MFF verder door ook spectrale (frequentiegebonden) en topologische relaties tussen elektroden te analyseren.
Het systeem bestaat uit meerdere modules die samenwerken:
- De Spectral-Topological Data Analysis (S-TDA-P) module gebruikt persistent homology – een wiskundige methode om patronen in complexe datasets te herkennen – om diepere verbanden tussen hersengebieden te vinden.
- De Inter-Spectral Recursive Attention (ISRA) module identificeert belangrijke frequentiepatronen en filtert irrelevante informatie weg.
- De Spectral-Topological en Spatiotemporal Feature Fusion (SS-FF) module combineert deze inzichten tot één geïntegreerd hersenprofiel.
Het onderzoek werd onlangs gepubliceerd in Knowledge-Based Systems.
Toepassing in zorg en revalidatie
De eerste testresultaten tonen aan dat TA-MFF aanzienlijk beter presteert dan bestaande methoden bij het decoderen van motor imagery-EEG-signalen. De technologie kan op termijn worden ingezet in neuroprothesen, rolstoelen, of computerinterfaces die gebruikers met een fysieke beperking bedienen met hun gedachten.
“Onze aanpak maakt het mogelijk om hersensignalen nauwkeuriger te interpreteren, wat de deur opent naar natuurlijkere interactie tussen mens en technologie,” zegt professor Namiki. “Dit kan mensen met beperkte mobiliteit helpen om zelfstandiger te leven.”
De onderzoekers zien het TA-MFF-model als een belangrijke stap richting slimmere en betrouwbaardere brain-computer interfaces die niet alleen bewegingen, maar ook emoties en intenties beter kunnen herkennen. Deze innovatie brengt de toekomst van hersengestuurde technologie een stuk dichterbij.
AI EEG
Al in 2019 stelde een neuroloog van het MST dat AI-technologie neurologische diagnoses sneller, nauwkeuriger en efficiënter kon maken. Met behulp van AI kunnen EEG-metingen automatisch worden geanalyseerd. Dat bespaart tijd en levert resultaten op die minstens zo betrouwbaar zijn als die van menselijke experts.
Ook deed de neuroloog toen onderzoek naar hoe langdurige EEG-metingen kunnen helpen bij de behandeling van epilepsie. Samen met het Deense UNEEG Medical werd gewerkt aan de introductie van een mini-elektrode die maandenlang hersenactiviteit meet.
