1. Giới thiệu và Nền tảng Sinh lý Thần kinh học của MI-BCI

Giao diện Não - Máy tính (Brain-Computer Interface - BCI) là một hệ thống công nghệ mang tính cách mạng, thiết lập một kênh giao tiếp phi cơ bắp trực tiếp cho phép con người tương tác với các thiết bị bên ngoài thông qua việc ghi nhận và giải mã các tín hiệu thần kinh¹. Trong hệ sinh thái đa dạng của các mô hình BCI, Giao diện Não - Máy tính dựa trên Trí tưởng tượng Vận động (Motor Imagery BCI - MI-BCI) nổi lên như một trong những hệ thống được nghiên cứu, phát triển và ứng dụng rộng rãi nhất, đặc biệt trong lĩnh vực y tế và phục hồi chức năng thần kinh³. Trí tưởng tượng vận động (MI) là quá trình diễn tập nhận thức về các hành vi vận động của cơ thể từ góc nhìn thứ nhất mà không đi kèm với bất kỳ chuyển động vật lý công khai nào của cơ bắp¹. Mô hình này mở ra cánh cửa giao tiếp và độc lập cho những cá nhân bị suy giảm khả năng vận động nghiêm trọng do chấn thương tủy sống, xơ cứng teo cơ một bên (ALS) hoặc đột quỵ thân não, cho phép họ điều khiển chi giả robot, xe lăn, hoặc các phần mềm máy tính³.

Điện não đồ (Electroencephalography - EEG) là phương pháp thu nhận tín hiệu phổ biến nhất được sử dụng trong hệ thống MI-BCI nhờ tính chất không xâm lấn, chi phí vận hành thấp, tính di động cao và đặc biệt là độ phân giải thời gian vượt trội cho phép nắm bắt các thay đổi thần kinh trong tính bằng mili-giây⁵. Mặc dù vậy, tín hiệu EEG lại mang nhược điểm là độ phân giải không gian thấp và tỷ lệ tín hiệu trên nhiễu (SNR) yếu⁵. Để vượt qua các giới hạn phần cứng, hệ thống phải giải mã thành công các dấu ấn sinh học thần kinh cốt lõi (neurophysiological biomarkers) phát sinh trên vỏ não trong quá trình thực hiện MI, tạo tiền đề cho việc xây dựng các bộ phân loại mô hình hóa não bộ chính xác.

Nền tảng thần kinh sinh lý học của MI-BCI dựa trên giả thuyết về "sự tương đương chức năng" (functional equivalence). Giả thuyết này lập luận rằng việc tưởng tượng một chuyển động sẽ kích hoạt mạng lưới vỏ não vận động - cảm giác tương tự như khi thực sự thực thi chuyển động đó (Motor Execution - ME)⁸. Các nghiên cứu về hình ảnh thần kinh (neuroimaging) đã xác nhận rằng cả MI và ME đều chia sẻ các quá trình nhận thức - vận động cốt lõi, đều kích hoạt các cấu trúc dưới vỏ não và các mạch kết nối tiền vận động - đỉnh (premotor-parietal circuits), đồng thời cùng tuân theo định luật Fitts về mối tương quan giữa tốc độ và độ chính xác của chuyển động⁸. Do đó, MI không chỉ đơn thuần là một thử nghiệm tư duy mà nó còn có khả năng gây ra những thay đổi dẻo dai (plastic changes) trong hệ thống vận động, đóng góp trực tiếp vào quá trình học tập và phục hồi chức năng của người bệnh⁸.

2. Động lực học Phổ và Dấu ấn Sinh học Thần kinh Sự kiện

2.1 Cơ chế Giải đồng bộ hóa và Đồng bộ hóa liên quan đến sự kiện (ERD/ERS)

Khi một cá nhân thực hiện quy trình tưởng tượng vận động, các tế bào thần kinh (nơ-ron) trong vỏ não cảm giác - vận động (sensorimotor cortex) sẽ thay đổi mô hình kích hoạt đồng bộ hóa, dẫn đến các dao động đặc trưng có thể đo lường được trên tín hiệu EEG. Hai hiện tượng nền tảng và quan trọng nhất được khoa học ghi nhận là Giải đồng bộ hóa liên quan đến sự kiện (Event-Related Desynchronization - ERD) và Đồng bộ hóa liên quan đến sự kiện (Event-Related Synchronization - ERS)¹.

Sự hiện diện của ERD được định nghĩa là sự suy giảm công suất năng lượng của các dải tần số (8-13 Hz, còn gọi là dải alpha) và (15-25 Hz) ở khu vực bán cầu não đối bên với chi được tưởng tượng (contralateral hemisphere)⁸. ERD phản ánh trạng thái tăng kích thích của vỏ não và sự tham gia tích cực của các tế bào thần kinh vào việc lên kế hoạch hoặc thực thi nhiệm vụ vận động, có mối liên hệ mật thiết với hoạt động của hệ thống tế bào thần kinh gương (mirror-neuron activity)⁸. Trái ngược với ERD, ERS là sự gia tăng công suất năng lượng, thường xuất hiện ở các khu vực vỏ não không tham gia trực tiếp vào nhiệm vụ vận động nhằm ức chế các nhiễu loạn không cần thiết, hoặc xuất hiện ở bán cầu não cùng bên (ipsilateral)¹. ERS cũng thường xuất hiện dữ dội sau khi kết thúc quá trình tưởng tượng vận động, được gọi là hiện tượng phục hồi beta (beta-rebound)¹².

Mặc dù có sự tương đồng lớn giữa MI và ME, các bằng chứng thực nghiệm trên nền tảng EEG và fNIRS (quang phổ cận hồng ngoại chức năng) chỉ ra rằng MI tạo ra ERD với biên độ nhỏ hơn, thời gian phản hồi chậm hơn và có sự phân bố không gian lan rộng hơn so với ME⁸. Điều này cho thấy quá trình tưởng tượng đòi hỏi tải trọng nhận thức cao hơn và bao hàm sự can thiệp của các cơ chế ức chế tủy sống để ngăn chặn chuyển động thực sự xảy ra⁸.

Về chiến lược kích thích tạo tín hiệu, các thiết kế thí nghiệm đóng vai trò then chốt trong việc tạo ra tín hiệu ERD/ERS chất lượng. Các nghiên cứu đã so sánh tín hiệu sinh ra từ các tín hiệu nhắc nhở tưởng tượng ngắn (brief MI, kéo dài khoảng 2 giây) với các tín hiệu kéo dài (sustained MI, kéo dài khoảng 4 giây)¹². Kết quả xác thực chéo (cross-validated) chứng minh rằng việc tưởng tượng vận động trong thời gian ngắn tạo ra các đặc trưng ERS mang nhiều thông tin phân loại hơn. Đặc biệt, hiện tượng phục hồi beta (beta-rebound) liên quan đến MI thể hiện sự phân hóa bán cầu (lateralisation) rõ rệt hơn nhiều trong các thử nghiệm ngắn gọn so với các thử nghiệm duy trì kéo dài, cho phép hệ thống BCI đạt độ chính xác cao hơn khi phân biệt hai nhiệm vụ có chủ ý¹².

2.2 Sự đối sánh giữa Nỗ lực Vận động (Motor Attempt) và Trí tưởng tượng Vận động (Motor Imagery)

Bên cạnh MI, Nỗ lực Vận động (Motor Attempt - MA) cũng là một mô hình thực nghiệm quan trọng, đặc biệt trong BCI phục vụ phục hồi chức năng sau đột quỵ. MA được định nghĩa là sự cố gắng thực sự để di chuyển một chi bị liệt với rất ít hoặc không có chuyển động vật lý nào xảy ra⁶. Một câu hỏi lớn được đặt ra là liệu việc lựa chọn MA hay MI sẽ mang lại hiệu năng cao hơn trong điều khiển BCI.

Nghiên cứu sử dụng hình ảnh cộng hưởng từ chức năng (fMRI) trên bệnh nhân liệt nửa người chỉ ra rằng, trong quá trình nỗ lực vận động (MA), vùng vỏ não vận động sơ cấp ít tham gia hơn một chút so với quá trình tưởng tượng chuyển động (MI), tuy nhiên các khu vực của thùy đỉnh và tiểu não lại tham gia mạnh mẽ hơn⁶. Mặc dù vậy, phân tích tổng hợp (meta-analysis) đã lập luận rằng đối với bệnh nhân đột quỵ bị liệt chi trên, tín hiệu điện não đồ từ các nỗ lực chuyển động (MA) thường dễ bị phát hiện và phân loại hơn so với trí tưởng tượng vận động⁶. Việc tích hợp MA làm tác vụ kích hoạt trong huấn luyện BCI dường như mang lại hiệu quả phục hồi lâm sàng tốt hơn, cải thiện đáng kể phổ năng lượng ở dải alpha và beta ở bán cầu não tổn thương, đồng thời thúc đẩy điểm số Kiểm tra Cánh tay Nghiên cứu Hành động (ARAT) sau một tháng can thiệp⁶.

3. Phân loại Khung Nhận thức: KMI, VMI, IMI và TMI

Một lỗ hổng phổ biến trong thiết kế giao thức huấn luyện MI-BCI là việc không phân định rạch ròi các chiến lược nhận thức nội tại của người dùng. Trí tưởng tượng vận động có thể được thực hiện thông qua nhiều con đường thị giác và cảm giác khác nhau, tạo ra các mô hình kích hoạt thần kinh hoàn toàn khác biệt.

3.1 Trí tưởng tượng Cảm giác động (KMI) so với Trí tưởng tượng Thị giác (VMI)

Trí tưởng tượng vận động cảm giác động (Kinesthetic Motor Imagery - KMI) yêu cầu người dùng "cảm nhận" bản thân đang thực hiện chuyển động từ góc nhìn thứ nhất, tái hiện các nhận thức về lực, sự căng cơ và định vị khớp trong không gian (proprioception)¹⁴. Ngược lại, Trí tưởng tượng vận động thị giác (Visual Motor Imagery - VMI) liên quan đến việc tạo ra bức tranh tinh thần về hành động, thường từ góc nhìn thứ ba, giống như việc quan sát một đoạn video về cánh tay đang di chuyển¹⁵.

Sự phân kỳ về nền tảng thần kinh giữa hai phương thức này là rất lớn. Việc so sánh trực tiếp chỉ ra rằng VMI chủ yếu kích hoạt mạng lưới thị giác ở vùng chẩm (occipital regions) và tiểu thùy đỉnh trên¹⁵. Ngược lại, KMI tuyển dụng mạnh mẽ các khu vực liên quan trực tiếp đến hệ thống vận động, bao gồm mạng lưới vỏ não vận động sơ cấp (M1), vùng tiền vận động bụng (BA 44), vùng vận động bổ trợ (SMA) và tiểu thùy đỉnh dưới¹⁴. Về mặt hiệu suất BCI, các thực nghiệm đối chứng xác nhận tỷ lệ phân loại của KMI vượt trội hơn VMI đáng kể (đạt 67% so với 56%)¹⁷. Phân tích độ đo kết nối (connectivity measures) cũng củng cố sức mạnh của KMI, khi mức độ trung tâm (Degree Centrality - DC) tại dải tần alpha ở vùng cảm giác - vận động bên trái (S1) tăng lên đáng kể trong điều kiện KMI so với VMI¹⁴. Do KMI kích hoạt mạng lưới gần như tương đồng với ME, các hệ thống BCI hiện đại bắt buộc phải ưu tiên hướng dẫn người dùng tập trung vào các trải nghiệm cảm giác động thay vì chỉ sử dụng các biểu diễn thị giác của hành động¹⁵.

Một phương pháp đột phá để nâng cao năng lực KMI cho những người mắc chứng "mù BCI" là sử dụng ảo giác cảm giác động (Kinesthetic Illusion - KI). Một mô hình MI-BCI cho chi dưới (LMI) đã tích hợp kích thích rung (vibratory stimulation) trên gân Achilles để tạo ra ảo giác KI¹⁸. Kết quả cho thấy KI đã làm tăng cường sự kích hoạt vỏ não giữa, tạo ra các đặc điểm EEG chuyên sâu hơn thông qua sự suy giảm công suất ERD, cải thiện phân bố địa hình tín hiệu và gia tăng bản đồ kết nối chức năng não. Sự can thiệp này đã đẩy độ chính xác ngoại tuyến (offline) của nhiệm vụ từ 6.88% lên tới mức 82.19%, nâng cao hiệu năng giả lập trực tuyến (online) đáng kể đối với người dùng kém BCI¹⁸.

3.2 Tưởng tượng Đồng cấu (IMI) và Tưởng tượng Chuyển đổi (TMI)

MI cũng tham gia vào các chức năng nhận thức bậc cao tùy thuộc vào mục tiêu hiện tại. MI có thể được sử dụng để tái tạo chính xác trong tâm trí một trải nghiệm vận động trước đó, được gọi là trí tưởng tượng vận động đồng cấu (Isomorphic Motor Imagery - IMI)¹⁷. Ngược lại, việc chuyển đổi các trải nghiệm vật lý trước đó thành các đại diện tinh thần mới (ví dụ như tưởng tượng cảm giác mạnh hơn hoặc yếu hơn thực tế) được gọi là trí tưởng tượng vận động chuyển đổi (Transmorphic Motor Imagery - TMI)¹⁷. Phân tích các mô hình dao động thần kinh cho thấy IMI biểu hiện các hoạt động nhịp điệu não bộ tương tự như quá trình truy xuất bộ nhớ làm việc (working memory), do chức năng chính của nó là tái tạo trung thực trải nghiệm. Trong khi đó, các mô hình dao động trong TMI tương tự như các hoạt động nội tâm (introspective activity), điển hình của các biến đổi cảm giác đa phương thức¹⁷. Sự phân định này rất hữu ích cho các ứng dụng kiểm soát chi giả theo tỷ lệ, nơi người dùng cần điều chỉnh cường độ trí tưởng tượng để kiểm soát vận tốc robot.

4. Xử lý Tín hiệu: Từ Loại bỏ Nhiễu đến Lựa chọn Kênh Tối ưu

Tín hiệu EEG chứa đựng một hệ sinh thái nhiễu phức tạp, bao gồm nhiễu điện lưới (AC noise 50/60 Hz), nhiễu điện cơ (EMG từ các cử động cơ cổ và mặt), và nhiễu điện nhãn cầu (EOG từ nháy mắt)⁵. Để thiết lập một đường ống MI-BCI mạnh mẽ, việc tiền xử lý (preprocessing) và tối ưu hóa không gian điện cực (channel selection) là các bước nền tảng.

4.1 Thuật toán Loại bỏ Nhiễu Động học

Các bộ lọc dải thông cơ bản (như Butterworth từ 0.5 đến 100 Hz hoặc 2 đến 60 Hz) kết hợp bộ lọc khía (notch filter) được áp dụng mặc định¹⁹. Để đối phó với các nhiễu nháy mắt có biên độ lớn làm che khuất hoàn toàn ERD/ERS, các thuật toán tách nguồn mù (Blind Source Separation) như Phân tích Thành phần Độc lập (ICA) thường được sử dụng²¹. Gần đây, phương pháp Lọc Lặp Bốn lớp (Four Class Iterative Filtering - FCIF) đã được giới thiệu. FCIF hoạt động bằng cách cô lập các thành phần độc lập (ICs) và liên tục tính toán hệ số tương quan giữa ma trận dư () và các kênh EOG²¹. Nếu mức tương quan vượt qua một ngưỡng được định trước, các ICs liên quan đến nhiễu sẽ bị loại bỏ dần dần qua từng vòng lặp. Sự kết hợp giữa thuật toán FCIF và FBCSP đã đưa độ phân loại trung bình của mô hình lên tới 98.57% đối với bốn lớp nhiệm vụ phức tạp²¹.

4.2 Khung Tối ưu hóa Đa mục tiêu trong Lựa chọn Kênh (Channel Selection)

Hệ thống EEG thường ghi nhận tín hiệu từ 64 đến 128 kênh điện cực, gây ra gánh nặng tính toán khổng lồ và hiện tượng "lời nguyền của số chiều" (curse of dimensionality) dễ dẫn đến quá khớp mô hình²². Việc lựa chọn một tập hợp con nhỏ gọn các kênh điện cực nhưng mang đầy đủ thông tin nhất là một bài toán tối ưu NP-khó. Các thuật toán tối ưu hóa đa mục tiêu (Multi-objective optimization framework) đã vượt qua các bộ lọc mục tiêu đơn lẻ truyền thống nhờ khả năng tránh sụp đổ vào các cực tiểu cục bộ¹⁹.

Các cơ chế lựa chọn kênh thế hệ mới đánh giá mức độ quan trọng dựa trên sự cân bằng giữa:

1. Sự liên quan về không gian (Spatial Relevance): Sử dụng hàm nhân Gaussian (Gaussian kernel) để đánh trọng số tập trung vào các điện cực lân cận các vùng vỏ não cảm giác - vận động (C3, Cz, C4).
2. Khả năng phân biệt chức năng (Functional Discriminability): Đo lường thông qua đánh giá sự suy giảm năng lượng nội tại liên quan đến tác vụ (Intratrial Task-Related Desynchronisation - ITTRD) để định lượng sự thay đổi năng lượng dải tần số¹⁹.

Để giải quyết bài toán này, các thuật toán bầy đàn tối ưu hóa hạt đa mục tiêu (MOPSO) hoặc Thuật toán di truyền không phân loại nhanh phiên bản II (NSGA-II) được áp dụng¹⁹. MOPSO, chẳng hạn, duy trì một nhóm các điện cực tối ưu Pareto (Pareto-optimal channel subsets) thông qua việc liên tục cập nhật vị trí và vận tốc của từng "hạt" điện cực. Cách tiếp cận này giúp tìm ra các cấu hình kênh nhỏ gọn nhất tập trung xung quanh vỏ não cảm giác vận động, giúp giảm độ phức tạp tính toán và nâng cao hiệu suất phân loại từ 65% (BCI-IV 2a) lên đến 87% (PhysioNet)¹⁹.

Ngoài các kỹ thuật tiến hóa, Mạng lưới Chú ý (Attention-based modules) như Deep EEG-Channel-attention (DEC) cũng được đề xuất để tự động điều chỉnh trọng số của từng kênh EEG dựa trên tầm quan trọng của chúng theo thời gian thực, triệt tiêu hiệu quả các kênh không quan trọng mà không cần phải thực hiện các phép chọn lọc rời rạc²².

5. Các Mô hình Khai phá Đặc trưng Không gian - Thời gian - Tần số

5.1 Nền tảng của Mẫu Không gian Chung (CSP)

Trong số các kỹ thuật khai phá đặc trưng MI-EEG, thuật toán Mẫu Không gian Chung (Common Spatial Pattern - CSP) đóng vai trò lịch sử và vẫn duy trì vị thế là công cụ tối ưu mạnh mẽ nhất để trích xuất tín hiệu dải công suất²³. Ý tưởng cốt lõi của CSP là biến đổi không gian tín hiệu nhiều kênh bằng một ma trận chiếu tối ưu nhằm tối đa hóa phương sai của một lớp hành động (tưởng tượng tay trái) và đồng thời tối thiểu hóa phương sai của lớp hành động đối kháng (tưởng tượng tay phải)²³.

Cấu trúc toán học của thuật toán CSP có thể được hệ thống hóa như sau: Giả sử dữ liệu EEG từ hai cửa sổ thời gian của hai lớp được biểu diễn là ma trận đa biến và , với kích thước là , trong đó là số kênh và là số mẫu thời gian. Mục tiêu là tìm một ma trận chiếu không gian sao cho tỷ số giữa các khoảnh khắc bậc hai (phương sai) được cực đại hóa²⁸:

 

Để giải quyết bài toán tối ưu hóa này, CSP dựa vào việc tính toán các ma trận hiệp phương sai chuẩn hóa và cho từng lớp²⁸:

 

Bước tiếp theo là tính toán ma trận hiệp phương sai tổng hợp (composite covariance matrix) bằng phép cộng: ²⁴. Thực hiện phân tích giá trị riêng cho , ta xác định được ma trận làm trắng (whitening matrix) :

 

Phép biến đổi này làm trắng không gian bằng cách tính: . Lúc này, hai ma trận và cùng chia sẻ các eigenvector chung , và tổng của hai ma trận giá trị riêng ²⁴. Các eigenvector tạo ra giá trị riêng lớn nhất cho sẽ đồng thời tạo ra giá trị riêng nhỏ nhất cho và ngược lại. Ma trận lọc không gian cuối cùng được trích xuất là:

 

Khi áp dụng lên tín hiệu thô, ta thu được không gian chiếu làm nổi bật sự chênh lệch năng lượng ERD/ERS một cách sắc nét nhất²⁴.

5.2 Mở rộng và Khắc phục Nhược điểm: FBCSP và Các Biến thể

Bất chấp tính thanh lịch của phép toán, CSP cổ điển thất bại thảm hại khi đối mặt với dữ liệu có tần số hoạt động thay đổi (operational frequency variance). Hiệu năng của nó phụ thuộc hoàn toàn vào băng thông lọc ban đầu²⁴.

Điều này đã dẫn đến sự ra đời của Filter Bank Common Spatial Pattern (FBCSP), được Kai Keng Ang và các cộng sự giới thiệu vào năm 2008, trở thành một quy chuẩn bất di bất dịch cho các hệ thống BCI tiên tiến²⁴. Đường ống FBCSP hoạt động dựa trên cấu trúc giải phẫu tinh tế: tín hiệu EEG được chia cắt bởi một dải các bộ lọc băng thông hẹp (thường gồm 9 dải con không chồng lấn như 4-8 Hz, 8-12 Hz... lên đến 36-40 Hz). Thuật toán CSP sau đó được áp dụng riêng biệt lên từng dải để trích xuất một kho tàng đặc trưng. Để lọc bỏ dữ liệu dư thừa, các kỹ thuật như thông tin tương hỗ (Mutual Information - MIBIF) tự động đánh giá và chọn lựa các thành phần đặc trưng xuất sắc nhất trước khi chuyển cho máy học²⁵.

Dựa trên thành công của FBCSP, vô số các biến thể đã được tinh chỉnh để giải quyết các hạn chế cụ thể:

• Transformed CSP (tCSP): Trái ngược với việc chọn dải tần số trước khi lọc CSP, phương pháp tCSP lập luận rằng tối ưu hóa dải tần sau CSP sẽ mang lại hiệu năng cao hơn²⁴. Phương pháp này trích xuất các đặc trưng tCSP thông qua việc tính toán hệ số tương quan Pearson giữa tín hiệu và các bản mẫu (templates) của từng tác vụ MI, kết hợp với Phân tích Phân biệt Fisher (FDA). Kết quả đo lường cho thấy tCSP cải thiện hiệu suất phân loại hệ thống lên đến 84.77%, cao hơn hẳn 8% so với CSP truyền thống và vượt mặt FBCSP khoảng 4.5% trên các tập dữ liệu tự thu thập²⁴.
• Chính quy hóa (Regularization): Các thuật toán như Tikhonov Regularization CSP (TRCSP), Sparse CSP (SCSP với L1-norm), và R-CSP được thiết kế để đưa vào các thành phần chính quy hóa, nhằm giảm thiểu sự phụ thuộc vào các mẫu nhiễu ngoại lai và hỗ trợ giải quyết các kịch bản kích thước mẫu nhỏ (small sample situations)²⁵.
• Common Spatio-Spectral Pattern (CSSP): Đưa phương pháp nhúng độ trễ thời gian (time delay embedding) vào tín hiệu để mở rộng không gian quan sát, giúp bắt giữ các đặc trưng bất biến của động lực học thời gian²⁵.

5.3 Sự Chuyển dịch Hình học: Phân tích Không gian Tiếp tuyến Riemann (Riemannian Tangent Space)

Trong năm năm trở lại đây, cộng đồng MI-BCI chứng kiến sự chuyển dịch mô hình (paradigm shift) sang hình học Riemann, được đánh giá là tạo ra các đặc trưng mạnh mẽ, chịu nhiễu tốt nhất mà không làm bóp méo cấu trúc dữ liệu³⁰.

Thực tế toán học chứng minh rằng, các ma trận hiệp phương sai thu được từ tín hiệu EEG mang đặc tính Đối xứng Xác định Dương (Symmetric Positive Definite - SPD)³². Quần thể các ma trận SPD không nằm trên một mặt phẳng Euclidean tuyến tính thông thường, mà cư trú trên một đa tạp (manifold) phi tuyến tính theo hình học Riemann. Việc sử dụng các phép đo khoảng cách Euclidean cơ bản để tính toán khoảng cách giữa các trạng thái não bộ sẽ gây ra sự biến dạng hình học (distortion), từ đó làm sai lệch các dự đoán của AI³².

Phương pháp hình học Riemann giải quyết vấn đề bằng cách trang bị các độ đo khoảng cách bất biến theo phép biến đổi Affine (Affine-Invariant Riemannian Metric) hoặc độ đo Log-Euclidean³². Một cách tiếp cận ưu việt nhằm tích hợp sức mạnh hình học phi tuyến tính này vào các thuật toán Máy học kinh điển là sử dụng Không gian tiếp tuyến (Tangent Space)³². Bằng cách xác định một điểm tham chiếu trên đa tạp (thường là trung bình Fréchet của các ma trận hiệp phương sai), các ma trận tín hiệu SPD được chiếu ngược lên mặt phẳng tiếp tuyến địa phương tại điểm đó³⁴. Không gian tiếp tuyến này có cấu trúc Euclidean, cho phép các bộ phân loại tuyến tính như SVM hay Logistic Regression phân tích các vecto đặc trưng cực kỳ nhanh chóng. Những mô hình lai ghép hiện đại như FBRTS (Filter Banks and Riemannian Tangent Space) đã tận dụng quy trình chiếu này trong nhiều cửa sổ thời gian, đạt kết quả phân loại trung bình ổn định ở mức 86.9% trên tập dữ liệu BCI Competition IV 2b, chứng minh sự kiên cường trước sự nhiễu loạn của hoạt động thần kinh thời gian thực³⁰.

6. Khung Phân loại và Sự Trỗi dậy của Học sâu (Deep Learning)

Mặc dù các thuật toán Máy học (Machine Learning) truyền thống như SVM và LDA vẫn phổ biến do tốc độ xử lý nhanh, chúng vấp phải giới hạn trần do yêu cầu xử lý tín hiệu thủ công phức tạp và khó bao quát được tính phi tuyến cực đoan của hoạt động vỏ não³.

Sự xuất hiện của các kiến trúc Học sâu (Deep Learning) đã mở ra chân trời mới, nơi các mạng nơ-ron có thể thực hiện quá trình tối ưu hóa song song (end-to-end) từ việc trích xuất đặc trưng tự động (không gian, thời gian, tần số) cho đến phân loại cuối cùng³. Các kiến trúc Mạng nơ-ron Tích chập (CNN) hiện đang thống trị bảng xếp hạng hiệu năng của BCI:

1. EEGNet: Được đánh giá là một trong những mạng nơ-ron ưu việt nhất cho tín hiệu não. Thay vì dùng các lớp tích chập 2D đồ sộ, EEGNet sử dụng khái niệm tích chập theo chiều sâu (depthwise convolutions) và tích chập phân tách (separable convolutions). Lớp tích chập đầu tiên hoạt động như bộ lọc thời gian, theo sau là lớp chiều sâu thiết lập các phép chiếu không gian tương tự thuật toán FBCSP. Ưu điểm chí mạng của EEGNet là sự tinh gọn (compactness), đôi khi chỉ chứa khoảng 800 tham số, giúp loại trừ triệt để nguy cơ quá khớp (overfitting) trên các bộ dữ liệu nhỏ lẻ, đồng thời cải thiện khả năng tổng quát hóa trên người dùng mới³⁷.
2. Shallow ConvNet và Deep ConvNet: Mặc dù nhiều nghiên cứu cố gắng xây dựng các mạng rất sâu, thực tế phân loại MI-EEG lại ưu ái các mạng lưới "nông". Shallow ConvNet chỉ với hai lớp tích chập thường đánh bại Deep ConvNet vì cấu trúc tín hiệu EEG không chứa hệ thống phân cấp trực quan phức tạp như ảnh thị giác, mà phụ thuộc chủ yếu vào phổ năng lượng ở một vài cực khu vực không gian cụ thể³⁸. Dù vậy, một nghiên cứu đột phá khi chèn các khối mạng dư (Residual Networks) vào Deep ConvNet tạo thành Residual-EEGNet đã tăng độ chính xác vượt mặt các mô hình Shallow cũ, đạt ngưỡng 87.1% trên một tập dữ liệu khổng lồ gồm 85 người dùng⁴³.
3. Bảo tồn Tương quan Không gian (MB3D & ParaAtt): Để khắc phục việc mất đi tương quan không gian giữa các điện cực khi nén dữ liệu thành vector, mạng Mạng tích chập 3D đa nhánh (Multi-Branch 3D CNN) trực tiếp chuyển đổi tín hiệu 2D thành tensor 3D dựa trên tọa độ vị trí vật lý của điện cực trên da đầu⁴¹. Trong khi đó, mạng ParaAtt áp dụng cơ chế tự chú ý (Parallel Self-Attention) tương tự các mô hình ngôn ngữ lớn để nắm bắt các mối quan hệ toàn cục không - thời gian⁴¹.
4. Các Khung Kết hợp Động lực học Thời gian (CNN-LSTM & CNN-BiLSTM): Đối với bài toán phân loại 6 lớp MI phức tạp phục vụ điều hướng robot, việc xử lý động lực học thời gian dài hạn là bắt buộc. Mô hình kết hợp sử dụng CNN để rút trích bản đồ không gian và nạp vào BiLSTM (Mạng bộ nhớ ngắn-dài hai chiều) để phân tích mô hình tiến hóa thời gian đã chứng tỏ sức mạnh tuyệt đối, đạt độ chính xác chói sáng: CNN đạt 99.86%, CNN-LSTM đạt 98.39%, và CNN-BiLSTM đạt 99.27%⁷. Thuật toán MiniRocket, bằng cách khai thác hàng nghìn lõi tích chập ngẫu nhiên, cũng đã thiết lập hiệu năng trên 98.63% với chi phí tính toán khiêm tốn².

Một đóng góp mang ý nghĩa lâm sàng to lớn của Deep Learning là việc giải quyết trực diện vấn đề "những người kém BCI". Phân tích biểu diễn đặc trưng (feature representation) chỉ ra rằng DL không chỉ phát hiện tín hiệu ở vùng cảm giác vận động, mà còn truy xuất được các hoạt động khác biệt ngoài vùng vận động, chẳng hạn như dải gamma ở thùy trán và thùy chẩm—những yếu tố mà CSP truyền thống hoàn toàn bỏ sót. Việc sử dụng CNN đã cải thiện độ chính xác phân loại của người dùng kém BCI lên mức từ 2.37% đến 28.28% so với đường cơ sở³⁶.

7. Giải mã Điểm nghẽn Thực tiễn: "Mù BCI" (BCI Illiteracy) và Sự Biến thiên Tín hiệu

Sự tồn tại của một hệ thống BCI lý tưởng trên phòng thí nghiệm khác xa với hiện thực triển khai lâm sàng, do sự cản trở của hai yếu tố cốt lõi: Tính không ổn định của tín hiệu và hiện tượng "Mù BCI".

Báo cáo lâm sàng chỉ ra rằng khoảng 15% đến 30% người dùng ngây thơ hoàn toàn thất bại trong việc tạo ra các mô hình EEG nhận dạng được để vượt qua ngưỡng khả năng điều khiển tối thiểu là 70% độ chính xác¹. Tình trạng này, được gọi là BCI illiteracy (mù BCI) hoặc BCI inefficiency (kém BCI), xuất phát từ nhiều nguyên nhân đan xen¹. Về khía cạnh tâm lý, trạng thái cảm xúc, mức độ chú ý và sự mệt mỏi trong các phiên hiệu chuẩn (calibration) tẻ nhạt có thể ngăn chặn hoàn toàn việc phát ra SMR (Sensorimotor Rhythms)¹⁰. Về khía cạnh thần kinh học, nhiều đối tượng mù BCI thực sự gặp khó khăn trong việc điều hòa các dải ERD/ERS. Một mô hình phân tầng chi tiết chia 99 người dùng MI-BCI thành 4 nhóm: 24.8% thuộc nhóm biểu diễn SMR tốt, 35.8% biểu diễn kém, 27.5% chỉ làm tốt ở tưởng tượng tay trái và 11.9% làm tốt ở tay phải¹. Hiện tượng này làm cho một hệ thống BCI thương mại gặp rào cản nghiêm trọng trong việc mở rộng đối tượng sử dụng đại trà¹⁰.

Bên cạnh đó, Sự biến thiên Nội cá nhân (Intra-subject variability) và Biến thiên Liên cá nhân (Inter-subject variability) khiến tín hiệu EEG dao động cực kỳ khó đoán¹⁰. Tính phi dừng (non-stationarity) làm cho tín hiệu EEG thay đổi liên tục theo thời gian; dữ liệu thu thập được từ người dùng A vào buổi sáng sẽ mang một phân phối xác suất khác hẳn so với dữ liệu của chính người đó vào buổi chiều, do sự thay đổi của trở kháng điện cực, mồ hôi và mức độ nhiễu sinh lý¹⁰. Điều này dẫn đến sự sụp đổ hiệu suất (performance collapse) khi mô hình áp dụng cho những ngày mới, bắt buộc người dùng phải đối mặt với các phiên "hiệu chuẩn" kéo dài nhằm thu thập dữ liệu mới để cá nhân hóa mô hình phân loại¹¹.

8. Học chuyển giao (Transfer Learning) và Thích ứng Miền (Domain Adaptation)

Nhằm xóa bỏ các phiên hiệu chuẩn tốn thời gian (zero-calibration), các nhà khoa học đã ứng dụng công nghệ Học chuyển giao (Transfer Learning - TL) và Thích ứng Miền (Domain Adaptation - DA). Tư tưởng chủ đạo của TL là tận dụng tri thức từ các đối tượng "chuyên gia" có dồi dào dữ liệu SMR chất lượng cao (miền nguồn - source domain) để tinh chỉnh bộ giải mã áp dụng lên các người dùng ngây thơ hoặc bị mù BCI (miền đích - target domain)¹⁰. Nút thắt lớn nhất của TL là nếu độ chệch phân phối (distribution discrepancy) giữa miền nguồn và đích quá lớn, hiện tượng "chuyển giao tiêu cực" (negative transfer) sẽ xảy ra, làm hệ thống sụp đổ nhanh hơn¹¹.

8.1 Euclidean Alignment (Sự Căn chỉnh Euclid)

Để kéo gần khoảng cách phân phối tín hiệu thần kinh ở mức độ dữ liệu trước khi đào tạo, phương pháp Sự Căn chỉnh Euclid (Euclidean Alignment - EA) đã chứng minh được sự thanh lịch, hiệu quả và tốc độ vô song của nó¹¹. Mục tiêu của EA là căn chỉnh dữ liệu EEG sao cho các ma trận hiệp phương sai trung bình của mọi người dùng đều thống nhất về một điểm quy chiếu: Ma trận đơn vị (Identity matrix)¹¹.

Về mặt thuật toán, đối với một miền đối tượng chứa mẫu thử , phương pháp sẽ tính toán một ma trận tham chiếu là trung bình cộng của toàn bộ ma trận hiệp phương sai ¹¹:

 

Quá trình căn chỉnh diễn ra thông qua việc nhân mỗi mẫu dữ liệu với ma trận nghịch đảo căn bậc hai của :

 

Sau phép biến đổi này, khi tính toán lại phân phối thống kê bậc hai của tập dữ liệu mới, kết quả chắc chắn sẽ hội tụ về ma trận đơn vị :

 

Bằng cách chuẩn hóa các số liệu thống kê bậc hai, sự sai biệt về cơ địa vỏ não, trở kháng của da và độ chệch thời gian bị xóa nhòa, khiến dữ liệu của mọi đối tượng trở nên đồng nhất về cấu trúc hình học Euclidean¹¹. Sự xuất hiện của các mô hình như ST-GENN, khi kết hợp phép căn chỉnh EA trực tiếp vào nền tảng Mạng đối kháng sinh (GAN) và mô đun Chú ý thời gian (CAT classifier), đã tạo ra hiệu năng nhảy vọt, vượt trội hơn các thuật toán cơ sở từ 2.03% đến 15.43% trên các tập dữ liệu cực kỳ khắt khe như BCI Competition IV 2a⁵².

8.2 Các Khung Thích ứng Đa Miền và Học Không gian Riemann

Ngoài EA, nhiều phương pháp tiếp cận DA sâu sắc khác đã được phát triển:

• Thích ứng Procrustes trong Không gian Riemann (RPA): Phương pháp này chiếu các dữ liệu hiệp phương sai lên không gian tiếp tuyến Riemann, sau đó sử dụng các phép biến đổi Affine thống kê như định tâm lại (recentering), thay đổi tỷ lệ (rescaling) và xoay (rotation) để ép phân phối của người dùng ngây thơ khớp với người dùng "chuyên gia"³⁴. Khung công tác Căn chỉnh Gốc (Generic Recentering - GR) thực hiện khớp nối phân phối một cách phi giám sát theo thời gian thực trong khi vẫn cố định ranh giới quyết định của máy học, cung cấp khả năng sử dụng hệ thống ngay lập tức mà không cần 1 giây hiệu chuẩn nào, xóa bỏ hoàn toàn rào cản đào tạo mệt mỏi cho người mới³⁴.
• Học chuyển giao Đa ràng buộc (MCTLP): Được đề xuất cho các mô hình phân loại phức tạp, khuôn khổ MCTLP (Multi-constrained transfer learning with selective pseudo-label update) áp dụng EA ở cấp độ dữ liệu thô, sau đó sử dụng phương pháp Căn chỉnh Đặc trưng Đa ràng buộc (MCFA) để chiếu dữ liệu vào một không gian nhân (kernel mapping space) nhằm bảo toàn chặt chẽ cấu trúc liên kết cục bộ giữa các lớp hành động, tránh làm loãng sự cô đọng nội bộ các lớp (intra-class compactness)⁴⁶.
• Học miền đa nhân cho "Mù BCI" (MK-DA-RF): Đối mặt trực diện với dữ liệu của nhóm người dùng BCI illiteracy nơi mà phân tách biên rất nhỏ, phương pháp này sử dụng nhiều nhân cơ sở (multiple kernel learning - MKL) để tìm kiếm các không gian Hilbert cao chiều tối đa hóa khả năng tách biệt lớp. Sau đó, nó áp dụng sự Thích ứng Phân phối dựa trên Sự Khác biệt Trung bình Lớn nhất (MMD) để kéo miền nguồn dồi dào tài nguyên sát lại miền đích nghèo nàn, giảm thiểu sự sụt giảm hiệu năng vượt bậc so với hệ thống tiêu chuẩn⁴⁴.

9. Đảm bảo Quyền Riêng tư, Bảo mật và Tính An toàn trong BCI

Khi MI-BCI dần vượt qua các rào cản phòng thí nghiệm để trở thành các thiết bị thương mại kết nối Internet vạn vật (IoT), hệ sinh thái này đứng trước các mối đe dọa an ninh mạng và quyền riêng tư chưa từng có⁴. Dữ liệu thần kinh chứa đựng các thông tin độc nhất về danh tính sinh trắc học, cảm xúc, khuynh hướng tính cách và tình trạng bệnh lý của cá nhân⁵⁴. Một ứng dụng BCI thiếu cơ chế bảo vệ có thể âm thầm trích xuất thông tin nhạy cảm của người dùng một cách phi pháp. Nguy hiểm hơn, trong các hệ thống BCI điều khiển thiết bị ngoại vi như xe lăn điện hoặc chi giả, các tác nhân độc hại (attackers) có thể chặn thu và can thiệp trực tiếp vào việc dịch các mẫu tín hiệu (translated features) thành lệnh điều khiển, gây ra hệ quả tổn thương vật lý nghiêm trọng cho bệnh nhân⁵⁴.

Giải pháp cho khung bảo mật BCI yêu cầu sự tích hợp các hệ thống mã hóa phức tạp:

1. Giao thức Quyền truy cập (Access Control): Hệ thống BCI cần áp dụng các quy tắc truy cập nghiêm ngặt và yêu cầu sự đồng ý có đầy đủ thông tin (informed consent protocols) ngay từ trước khâu thu nhận tín hiệu phần cứng⁵⁴.
2. Mã hóa luồng dữ liệu: Đề xuất thiết kế mô hình chức năng tích hợp khối mã hóa các lệnh điều khiển đã được trích xuất trước khi truyền chúng sang môi trường mạng⁵⁴. Các công nghệ tối tân như chuỗi khối (blockchain) cũng đang được thử nghiệm để duy trì tính toàn vẹn tuyệt đối của các lệnh đầu ra, ngăn chặn tin tặc can thiệp hoặc ghi đè lệnh vận động⁵⁴.

10. Chuẩn hóa Thực nghiệm: Phân tích Dữ liệu qua các Tập Chuẩn Benchmark

Để đối sánh sức mạnh của hàng ngàn kiến trúc giải mã từ CSP đến Deep Learning hay Domain Adaptation, cộng đồng nghiên cứu MI-BCI phải quy chiếu về các bộ dữ liệu tiêu chuẩn (benchmark datasets) công khai¹⁹. Một khảo sát tổng hợp trên 76 báo cáo MIBCI cho thấy độ chính xác phân loại trung bình toàn cầu chỉ ở mức 51.96%, kèm theo sự không đồng nhất cực đoan (độ lệch chuẩn cao), chỉ ra rằng việc báo cáo hiệu năng dựa trên dữ liệu thu thập nội bộ quy mô nhỏ thường không phản ánh sức mạnh thực tế của mô hình⁵⁹.

Dưới đây là các bộ dữ liệu định hình tiêu chuẩn học máy trong lĩnh vực:

Các tập dữ liệu BCI Competition IV 2a/2b vẫn đóng vai trò là "tiêu chuẩn vàng" để kiểm chứng các biến thể của thuật toán FBCSP, Riemannian Tangent Space và Data Augmentation do sự tinh vi của các nhiễu nhãn cầu được ghi lại một cách trung thực⁵⁵. Tuy nhiên, để phát triển các mô hình Học sâu khái quát hóa toàn cầu (như Residual-EEGNet hay ParaAtt), PhysioNet với phổ biến thể liên cá nhân (109 người) là chiến trường bắt buộc để thu nhận các minh chứng thống kê mạnh mẽ, tránh hiện tượng mô hình chỉ học vẹt các cấu trúc nhiễu (overfitting)²⁰.

11. Tầm nhìn Thập kỷ: Kỷ nguyên AI-Native và Chi giả Phục hồi

Dự phóng xu thế công nghệ BCI tiến tới mốc thời gian năm 2026 phác họa một viễn cảnh nơi MI-BCI thoát khỏi cái bóng của các thí nghiệm chứng minh khái niệm (proof-of-concept)⁶⁰. Hệ sinh thái đang dần chuyển trục hướng đến các mô hình BCI bản địa AI (AI-native). Xử lý tín hiệu truyền thống dần nhường chỗ cho các mô hình nền tảng (Foundation Models) có khả năng thu nạp hàng ngàn giờ tín hiệu điện não thô đa phương thức (multimodal embeddings kết hợp thần kinh và động học) để tự động ánh xạ thành lệnh điều khiển⁶⁰. Sức mạnh của Học chuyển giao được ứng dụng qua các cơ chế cá nhân hóa ít mẫu (Few-shot personalization), hứa hẹn giảm tải thời gian gắn kết (onboarding) bệnh nhân từ nhiều giờ mệt mỏi xuống chỉ còn vài phút⁶⁰.

Ở cấp độ phục hồi chức năng, "Kỷ nguyên Độ tin cậy Chức năng" (Functional Reliability) của chi giả thần kinh (neuroprosthetics) đang mở ra⁶⁰. Việc tích hợp thuật toán xử lý độ trễ thấp ở nền tảng biên (Edge AI) cho phép cánh tay robot có thể phản ứng linh hoạt trong khoảng thời gian phần nghìn giây. Đặc biệt, việc phản hồi kích thích xúc giác trực tiếp vào vỏ não (closed-loop modulation) sẽ giúp người bệnh không chỉ "ra lệnh" cho chi giả mà còn có khả năng "cảm nhận" chân thực sức căng của vật thể đang được nắm giữ⁶⁰. Vượt ra khỏi bệnh viện, làn sóng thiết bị BCI thương mại theo dõi độ tập trung, quản lý căng thẳng và tối ưu hóa thể chất (Fitness & Focus) cũng hứa hẹn thay đổi mạnh mẽ phương thức con người tương tác liền mạch với máy móc và môi trường xung quanh trong thập kỷ tới⁴.

Works cited

1. A Neurophysiological Stratification Framework for Intermediate Motor Imagery-BCI Users Based on Independent Event-Related Brain Dynamics - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC12938601/
2. Motor Imagery EEG Signal Classification Using Minimally Random Convolutional Kernel Transform and Hybrid Deep Learning - arXiv, https://arxiv.org/pdf/2508.16179
3. A Novel Deep Learning Model for Motor Imagery Classification in Brain–Computer Interfaces - MDPI, https://www.mdpi.com/2078-2489/16/7/582
4. Brain–computer interface: trend, challenges, and threats, https://d-nb.info/1308196652/34
5. Current Trends, Challenges, and Future Research Directions of Hybrid and Deep Learning Techniques for Motor Imagery Brain–Computer Interface - MDPI, https://www.mdpi.com/2414-4088/7/10/95
6. The Differences Between Motor Attempt and Motor Imagery in Brain-Computer Interface Accuracy and Event-Related Desynchronization of Patients With Hemiplegia - Frontiers, https://www.frontiersin.org/journals/neurorobotics/articles/10.3389/fnbot.2021.706630/full
7. Deep Learning for EEG-Based Motor Imagery Classification: Towards Enhanced Human-Machine Interaction and Assistive Robotics - CEUR-WS.org, https://ceur-ws.org/Vol-3695/p09.pdf
8. Motor Imagery and Motor Execution: A Narrative Review of Electroencephalographic (EEG) Signatures, Methodological Consistency, and Translational Applications - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC12550537/
9. A Comprehensive Review on Critical Issues and Possible Solutions of Motor Imagery Based Electroencephalography Brain-Computer Interface - MDPI, https://www.mdpi.com/1424-8220/21/6/2173
10. Bridging the BCI illiteracy gap: a subject-to-subject semantic style transfer for EEG-based motor imagery classification - Frontiers, https://www.frontiersin.org/journals/human-neuroscience/articles/10.3389/fnhum.2023.1194751/full
11. Revisiting Euclidean Alignment for Transfer Learning in EEG-Based Brain-Computer Interfaces - arXiv, https://arxiv.org/html/2502.09203v1
12. (PDF) Investigating brief motor imagery for an ERD/ERS based BCI - ResearchGate, https://www.researchgate.net/publication/235387540_Investigating_brief_motor_imagery_for_an_ERDERS_based_BCI
13. Comparison of Brain Activation during Motor Imagery and Motor Movement Using fNIRS, https://pmc.ncbi.nlm.nih.gov/articles/PMC5435907/
14. Characterization of kinesthetic motor imagery compared with visual motor imageries, https://pubmed.ncbi.nlm.nih.gov/33580093/
15. Brain activity during visual versus kinesthetic imagery: an fMRI study. - SciSpace, https://scispace.com/pdf/brain-activity-during-visual-versus-kinesthetic-imagery-an-2ekymikil0.pdf
16. Visual Versus Kinesthetic Motor Imagery for BCI Control of Robotic Arms (Mercury 2.0) | Request PDF - ResearchGate, https://www.researchgate.net/publication/316279239_Visual_Versus_Kinesthetic_Motor_Imagery_for_BCI_Control_of_Robotic_Arms_Mercury_20
17. Differential effects of kinesthetic and visual-motor mode of imagery in single-trial EEG | Request PDF - ResearchGate, https://www.researchgate.net/publication/7530969_Imagery_of_motor_actions_Differential_effects_of_kinesthetic_and_visual-motor_mode_of_imagery_in_single-trial_EEG
18. Enhanced lower-limb motor imagery by kinesthetic illusion - Frontiers, https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2023.1077479/full
19. A Domain-Informed Multi-Objective Framework for EEG Channel Selection in Motor Imagery BCIs - arXiv, https://arxiv.org/html/2605.29943v1
20. Enhancing Cross-Subject Motor Imagery Classification in EEG-Based Brain–Computer Interfaces by Using Multi-Branch CNN - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10536894/
21. Artifact removal and motor imagery classification in EEG using advanced algorithms and modified DNN - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10980936/
22. A Mathematical Review on EEG Channel Selection Techniques for Motor Imagery Classification | Request PDF - ResearchGate, https://www.researchgate.net/publication/388086749_A_Mathematical_Review_on_EEG_Channel_Selection_Techniques_for_Motor_Imagery_Classification
23. Improved motor imagery classification using adaptive spatial filters based on particle swarm optimization algorithm - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10773845/
24. Transformed common spatial pattern for motor imagery-based brain-computer interfaces, https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2023.1116721/full
25. Variance characteristic preserving common spatial pattern for motor imagery BCI - Frontiers, https://www.frontiersin.org/journals/human-neuroscience/articles/10.3389/fnhum.2023.1243750/full
26. Full article: EEG feature extraction methods in motor imagery-based brain-computer interfaces: a systematic review and network meta-analysis - Taylor & Francis, https://www.tandfonline.com/doi/full/10.1080/27706710.2025.2523303
27. FA-GPNet: When Gaussian Process Meets Auto-Encoder and FBCSP - A Hybrid Model for Motor Imagery Classification - NUS Computing, https://www.comp.nus.edu.sg/~nqduc/assets/pdf/papers/Pham%20et%20al.%20-%202026%20-%20FA-GPNet%20When%20Gaussian%20Process%20Meets%20Auto-Encoder%20and%20FBCSP%20A%20Hybrid%20Model%20for%20Motor%20Imagery%20Classification.pdf
28. Motor Imagery EEG Signal Processing Using Common Spatial Patterns (CSP) and Python-Based Artificial Intelligence, https://www.tmachineintelligence.ir/article_194143_05c7c06682cc9e0d78588262d842f3de.pdf
29. Transformed common spatial pattern for motor imagery-based brain-computer interfaces - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10028145/
30. Feature Extraction Method Based on Filter Banks and Riemannian Tangent Space in Motor-Imagery BCI - Essex Research Repository, https://repository.essex.ac.uk/34091/1/Feature_Extraction_Method_Based_on_Filter_Banks_and_Riemannian_Tangent_Space_in_Motor-Imagery_BCI.pdf
31. An Introduction to Riemannian Geometry, https://www.cis.upenn.edu/~cis6100/Riemann.pdf
32. RIEMANNIAN GEOMETRY: SPEECH DETECTION FROM MEG BRAIN SIGNALS TOWARDS NON-INVASIVE BCI - OpenReview, https://openreview.net/pdf?id=bkhsrCOZTu
33. Riemannian Geometry, https://www.mathematik.uni-muenchen.de/~hensel/teaching/19-rg-script.pdf
34. Tangent space alignment: Transfer learning for Brain-Computer Interface - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC9755175/
35. riemannian geometry-based eeg approaches: a literature review - arXiv, https://arxiv.org/pdf/2407.20250
36. Classification of motor imagery EEG using deep learning increases performance in inefficient BCI users - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC9307149/
37. On the Deep Learning Models for EEG-Based Brain-Computer Interface Using Motor Imagery - PubMed, https://pubmed.ncbi.nlm.nih.gov/35951573/
38. Incep-EEGNet: A ConvNet for Motor Imagery Decoding - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC7340940/
39. Deep Comparisons of Neural Networks from the EEGNet Family - MDPI, https://www.mdpi.com/2079-9292/12/12/2743
40. Deep comparisons of Neural Networks from the EEGNet family - arXiv, https://arxiv.org/html/2302.08797v1
41. On the Deep Learning Models for EEG-Based Brain-Computer Interface Using Motor Imagery - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC9420068/
42. [2302.08797] Deep comparisons of Neural Networks from the EEGNet family - arXiv, https://arxiv.org/abs/2302.08797
43. Deep Residual Convolutional Neural Networks for Brain–Computer Interface to Visualize Neural Processing of Hand Movements in the Human Brain - Frontiers, https://www.frontiersin.org/journals/computational-neuroscience/articles/10.3389/fncom.2022.882290/full
44. Distribution Adaptation and Classification Framework Based on Multiple Kernel Learning for Motor Imagery BCI Illiteracy - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC9460318/
45. [Literature Review] Revisiting Euclidean Alignment for Transfer Learning in EEG-Based Brain-Computer Interfaces - Moonlight, https://www.themoonlight.io/en/review/revisiting-euclidean-alignment-for-transfer-learning-in-eeg-based-brain-computer-interfaces
46. A Multi-Constrained Transfer Learning for Cross-Subject Decoding of Motor Imagery-Based BCI - MDPI, https://www.mdpi.com/2227-7390/14/8/1314
47. (PDF) Transfer Learning Promotes Acquisition of Individual BCI Skills - ResearchGate, https://www.researchgate.net/publication/388035606_Transfer_Learning_Promotes_Acquisition_of_Individual_BCI_Skills
48. Transfer learning promotes acquisition of individual BCI skills - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10903645/
49. Bridging the BCI illiteracy gap: a subject-to-subject semantic style transfer for EEG-based motor imagery classification - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10225603/
50. Euclidean Alignment steps illustrated. The star represents the origin of the space. - ResearchGate, https://www.researchgate.net/figure/Euclidean-Alignment-steps-illustrated-The-star-represents-the-origin-of-the-space_fig1_380810539
51. A Systematic Evaluation of Euclidean Alignment with Deep Learning for EEG Decoding, https://arxiv.org/html/2401.10746v4
52. A subject transfer neural network fuses Generator and Euclidean alignment for EEG-based motor imagery classification - PubMed, https://pubmed.ncbi.nlm.nih.gov/40350042/
53. [2502.09203] Revisiting Euclidean Alignment for Transfer Learning in EEG-Based Brain-Computer Interfaces - arXiv, https://arxiv.org/abs/2502.09203
54. Brain–computer interface: trend, challenges, and threats - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10403483/
55. BCI Competition IV - Data sets 2a - Kaggle, https://www.kaggle.com/datasets/thngdngvn/bci-competition-iv-data-sets-2a
56. BCI Competition IV - Berlin Brain-Computer Interface, https://www.bbci.de/competition/iv/
57. Motor Imagery Signal Classification using Adversarial Learning - DiVA portal, https://su.diva-portal.org/smash/get/diva2:1802342/FULLTEXT01.pdf
58. SVM-enhanced attention mechanisms for motor imagery EEG classification in brain-computer interfaces - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC12289692/
59. Most Popular Signal Processing Methods in Motor-Imagery BCI: A Review and Meta-Analysis - Frontiers, https://www.frontiersin.org/journals/neuroinformatics/articles/10.3389/fninf.2018.00078/full
60. 2026 - Brain-Computer Interfaces (BCI) Trends, https://downloads.ctfassets.net/tvct06g28aw7/57yzoezDoreBdeT91mXLBx/d990e8c72c4e4e63f2e118b2565be17f/BCI_Trends2026.pdf