Подходы глубокого обучения для интерфейсов мозг–компьютер на основе моторного воображения по данным ЭЭГ: современные модели, проблемы обобщения и новые тенденции
Deep Learning Approaches for EEG-Motor Imagery-Based BCIs: Current Models, Generalization Challenges, and Emerging Trends
2025-01-01
SCID: 54.1/u3mq7ehk
Discuss with AI
декодирование моторных образов по ЭЭГинтерфейсы мозг–компьютерархитектуры глубокого обученияобъяснимый искусственный интеллектфедеративное обучение
Figures from the paper
Abstract (AI)
В настоящем исследовании критически рассматривается эволюция глубокого обучения (DL) для декодирования моторного воображения (MI) по данным электроэнцефалографии (EEG) с акцентом на разработку интерфейсов мозг–компьютер (BCI) реального времени. В предыдущих исследованиях часто приоритет отдавался точности как отдельному показателю, при этом недостаточно учитывались вычислительная эффективность, интерпретируемость, устойчивость к шуму и нейрофизиологическая вариабельность между испытуемыми и задачами, тогда как современные достижения в области DL привели к появлению новых архитектур, направленных на решение этих проблем. В данной работе эти архитектуры и новые тенденции систематически оцениваются посредством рассмотрения четырех исследовательских вопросов (RQ) на основе обширного обзора литературы. На первоначальном этапе из трех баз данных было извлечено более 188 публикаций, преимущественно опубликованных в 2024–2025 годах. Затем посредством многоэтапной фильтрации с применением строгих критериев включения была сформирована уточненная выборка из 68 высококачественных исследований. Анализ показывает, что современные модели достигают конкурентоспособной точности — от 85% до 100% на общедоступных наборах данных, — однако по-прежнему сталкиваются с проблемами вычислительных затрат, устойчивости к шуму, обобщения и внедрения BCI. Кроме того, обсуждаются предварительная обработка и интегрированное гибридное извлечение признаков в сочетании с методами объяснимого искусственного интеллекта (XAI). Также рассматриваются новые тенденции, включая нейроморфные вычисления, федеративное обучение (FL) и адаптивные системы с замкнутым контуром, предлагающие решения для существующих препятствий к внедрению. В литературе заметное внимание уделяется этическим и экологическим аспектам, таким как конфиденциальность данных, алгоритмическая предвзятость и энергоэффективность. Этот обзор предлагает целостную структуру для оценки моделей DL и подчеркивает необходимость сбалансированного сочетания точности, эффективности и адаптивности. Обобщая результаты, полученные на крупномасштабных наборах данных, и возможности инструментов объяснимости, исследование выявляет ограничения современных работ по DL, основанных на однородных данных и не располагающих общедоступным кодом для воспроизведения моделей, а также предлагает стратегии снижения влияния нейрофизиологической вариабельности. Результат u...
Key Findings
1
Систематический обзор сократил более 188 найденных публикаций до 68 высококачественных исследований по глубокому обучению для декодирования моторных образов ЭЭГ, преимущественно опубликованных в 2024–2025 годах.
2
Нейроморфные вычисления, федеративное обучение и адаптивные системы с замкнутым контуром рассматриваются как перспективные стратегии преодоления барьеров внедрения в реальном времени.
3
Предварительная обработка, гибридное извлечение признаков и объяснимый искусственный интеллект являются основными подходами к повышению интерпретируемости и практической применимости BCI на основе ЭЭГ.
4
Современные модели достигают точности 85–100% на общедоступных наборах данных, однако одной точности недостаточно для решения проблем вычислительных затрат, устойчивости к шуму, обобщения и внедрения.
5
В литературе сохраняются ограничения, связанные с однородными наборами данных, отсутствием кода для воспроизведения моделей и нейрофизиологической вариативностью, а также проблемы конфиденциальности, алгоритмической предвзятости и энергоэффективности.
Research Object
Системы декодирования моторного воображения на основе глубокого обучения по данным ЭЭГ для интерфейсов мозг–компьютер в реальном времени
Research Subject
Их точность, вычислительная эффективность, интерпретируемость, устойчивость к шуму, обобщаемость между испытуемыми и задачами, адаптивность и проблемы внедрения
Publication Details
Publication Date
2025-01-01
Journal
Publisher
ISSN
Cited by
27
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
EEGNet: компактная сверточная нейронная сеть для интерфейсов мозг–компьютер на основе ЭЭГ2018
Глубокое обучение с использованием сверточных нейронных сетей для декодирования и визуализации ЭЭГ2017
Обзор алгоритмов классификации для интерфейсов «мозг–компьютер» на основе ЭЭГ: обновление за 10 лет2018
Интерфейсы мозг — компьютер на основе ЭЭГ с использованием воображаемых движений: методы и проблемы2019
Изучение роли нейропластичности в развитии, старении и нейродегенерации2023
Неинвазивные интерфейсы мозг—компьютер: современное состояние и тенденции2024