واسط‌هاي مغز و كامپيوتر (BCI) مبتني بر تصور حركتي (MI) ، يك مسير ارتباطي مستقيم و غيرعضلاني بين مغز و دستگاه‌هاي خارجي فراهم مي‌كنند و به عنوان يك فناوري كليدي در توان‌بخشي بيماران با ناتواني‌هاي شديد حركتي شناخته مي‌شوند. با اين حال، كاربردي شدن اين سيستم‌ها با يك چالش اساسي روبروست: دقت پايين در طبقه‌بندي تكليف‌هاي حركتي ظريف و مشابه كه توسط يك اندام واحد (مانند حركات مختلف يك دست) انجام مي‌شوند. اين چالش از آنجا نشأت مي‌گيرد كه چنين حركاتي، الگوهاي عصبي بسيار مشابه و همپوشاني را در قشر حسي-حركتي مغز ايجاد مي‌كنند. با توجه به وضوح فضايي پايين سيگنال‌هاي الكتروانسفالوگرافي (EEG) ، تفكيك اين الگوهاي ظريف با روش‌هاي كلاسيك پردازش سيگنال و حتي معماري‌هاي يادگيري عميق متداول، بسيار دشوار است.اين پژوهش به منظور غلبه بر اين محدوديت، يك چارچوب يادگيري عميق نوين، دو شاخه و چندوجهي را طراحي و پياده‌سازي مي‌كند. رويكرد پيشنهادي بر اين فرضيه استوار است كه يك بازنمايي جامع از فعاليت مغز نيازمند ادغام اطلاعات از جنبه‌هاي مختلف سيگنال EEG است. بر اين اساس، مدل به صورت همزمان دو نوع ويژگي مكمل را پردازش مي‌كند، ماتريس‌هاي توان باند، اين ويژگي‌ها، با كمي‌سازي توان سيگنال در باندهاي فركانسي مو و بتا، ديناميك‌هاي فعال‌سازي موضعي قشر مغز و پديده‌هاي كليدي نا‌هم‌زماني/هم‌زماني مرتبط با رويداد (ERD/ERS) را مدل‌سازي مي‌كنند، ماتريس‌هاي قفل شدگي فاز، اين ويژگي‌ها، با اندازه‌گيري هماهنگي فازي بين جفت كانال‌ها، الگوهاي ارتباطي و شبكه‌اي مغز را توصيف كرده و اطلاعاتي در مورد ارتباطات عملكردي بين نواحي مختلف فراهم مي‌آورند.براي افزايش قدرت تمايز و تمركز هوشمندانه بر روي اطلاعات كليدي، معماري پيشنهادي با ماژول توجه بلوك كانولوشني (CBAM) تقويت شده است. اين مكانيزم پيشرفته به شبكه اجازه مي‌دهد تا به صورت پويا و تطبيقي ياد بگيرد كه به كدام ويژگي‌ها (در ابعاد كانال و فضا) توجه بيشتري كند. اين قابليت، به مدل امكان مي‌دهد تا الگوهاي فضايي-طيفي و توپولوژيكِ تمايزدهنده را از ميان حجم بالاي نويز و اطلاعات غيرمرتبط، شناسايي و برجسته سازد.عملكرد مدل پيشنهادي بر روي يك مجموعه داده عمومي معتبر، شامل داده‌هاي سيگنال الكتروانسفالوگرافي از 25 شركت‌كننده در حال انجام 11 تكليف تصور حركتي يك‌طرفه، ارزيابي شد. نتايج نشان داد كه مدل پيشنهادي به ميانگين دقت 72.18٪ در تكليف دوكلاسه ، 54.87٪ در تكليف سه‌كلاسه و 31.37٪ در تكليف شش‌كلاسه دست يافت. اين عملكرد به طور معناداري (p<‎ 0.001) برتر از روش‌هاي كلاسيك مرجع مانند CSP+RLDA و همچنين يك مدل يادگيري عميق پايه مجهز به توجه كانالي CNN+SE بود. اين پژوهش نشان مي‌دهد كه ادغام اطلاعات چندوجهي از فعاليت‌هاي موضعي و شبكه‌اي مغز، همراه با بهره‌گيري از مكانيزم‌هاي توجه پيشرفته، يك بازنمايي غني‌تر، و تمايزدهنده‌تر از حالت‌هاي مغزي در حين تصور حركتي فراهم مي‌آورد. چارچوب ارائه شده نه تنها برتري خود را نسبت به روش‌هاي تك‌وجهي به اثبات رساند، بلكه گامي مؤثر در جهت توسعه نسل جديد سيستم‌هاي BCI با قابليت كنترل دقيق‌تر، شهودي‌تر و كاربردي‌تر براي استفاده در پروتزهاي عصبي پيشرفته و پروتكل‌هاي توان‌بخشي باليني محسوب مي‌شود.

1404/12/04

Classification of Different Single-Hand Motor Imagery Tasks Using Electroencephalogram Signals Based on Deep Learning

10/18/2026 12:00:00 AM

Motor Imagery-based Brain-Computer Interfaces (MI-BCIs) are crucial for providing communication an‎d control to individuals with severe motor disabilities. A primary obstacle to their widespread adoption is the limited classification accuracy for subtle an‎d highly similar motor tasks involving a single limb, primarily due to the inherent similarities in neural patterns an‎d the low spatial resolution of electroencephalography (EEG). Addressing this, this research introduces a novel, dual-branch deep learning framework designed to capture a more comprehensive representation of brain activity. The proposed model concurrently processes two distinct yet complementary EEG feature types: ban‎d Power matrices, which model localized cortical activation dynamics an‎d event-related desynchronization/synchronization (ERD/ERS) phenomena, an‎d Phase Locking Value (PLV) matrices, which characterize functional connectivity an‎d brain network patterns. To significantly boost discriminative capability an‎d allow for intelligent feature weighting, the architecture is further enhanced with a Convolutional Block Attention Module (CBAM). This advanced mechanism emPowers the network to dynamically learn an‎d prioritize salient information across both channel an‎d spatial dimensions, effectively filtering noise an‎d highlighting critical spatio-spectral an‎d topological patterns. The frameworkʹs efficacy was rigorously assessed on a validated public dataset, encompassing EEG data from 25 participants performing 11 unilateral motor imagery tasks. Experimental results consistently demonstrated the superior performance of the proposed model, achieving mean accuracies of 72.18% for binary classification tasks, 54.87% for three-class tasks, an‎d 31.37% for six-class tasks. Crucially, this performance improvement was statistically significant (p <‎ 0.001) when compared against established classic methods such as CSP+RLDA, as well as a modern deep learning baseline model incorporating channel attention (CNN+SE-Block). This study underscores that combining multimodal insights from both localized brain activity an‎d large-scale network interactions, enhanced by sophisticated attention mechanisms, yields a substantially richer an‎d more discriminative understan‎ding of brain states during motor imagery. The presented framework not only substantiates its advantage over unimodal approaches but also contributes a significant step towards developing a new generation of BCI systems, promising more precise, intuitive, an‎d ultimately more practical control functionalities for advanced neuroprosthetics an‎d clinical rehabilitation.

الكتروانسفالوگرام , واسط مغز- كامپيوتر , طبقه بندي

Electroencephalography , Brain-Computer interface , classification

Mohammadreza Madani

Vahid Shalchian, Ph.D.