Meta-kognitive Hierarchie steigert Zuverlässigkeit bei Motorimagery-BCI
Ein neues Forschungsprojekt aus dem Bereich der Gehirn‑Computer‑Interfaces (BCI) hat gezeigt, dass eine Kombination aus mehrschichtigem Signal‑Processing und selbstreflektierender Unsicherheitsabschätzung die Genauigkeit der Motorimagery‑Erkennung deutlich verbessert. Die Studie nutzt das BCI Competition IV‑2a‑Datenset und testet die Methode an drei etablierten EEG‑Netzwerken – EEGNet, ShallowConvNet und DeepConvNet.
Der Kern der Innovation ist ein multi‑scale hierarchisches Modul, das die Roh‑EEG‑Features in zeitlich differenzierte Darstellungen umwandelt. Parallel dazu bewertet ein introspektives Uncertainty‑Modul die Zuverlässigkeit jeder Analyse‑Schleife und steuert so eine iterative Verfeinerung der Klassifikation. Durch diese doppelte Optimierung werden sowohl die durchschnittliche Trefferquote als auch die Variabilität zwischen den Probanden reduziert.
Die Ergebnisse deuten darauf hin, dass die Kombination aus hierarchischem Multiskalen‑Processing und selbstbewusster Fehlerabschätzung die Robustheit von MI‑basierten BCI‑Systemen erhöht. Damit wird ein wichtiger Schritt in Richtung praktischer, benutzerfreundlicher BCI‑Anwendungen erreicht, die weniger anfällig für Rauschen und individuelle Unterschiede sind.