Date of Award

4-2025

Document Type

Dissertation

Degree Name

Doctor of Philosophy in Informatics and Computing

Department

Computer Science and Software Engineering

First Advisor

Prof. Abderrahmane Lakas

Abstract

Brain–computer interfaces (BCIs), also known as brain–machine interfaces (BMIs), enable direct communication between the brain and external devices without the involvement of peripheral nerves or muscles. Among various BCI paradigms, motor imagery (MI)–based BCIs are particularly appealing due to their intuitive, cue-independent nature, allowing users to issue control commands at will. MI–BCIs hold substantial promise for improving the quality of life of individuals with motor impairments, as well as enhancing hands-free control for healthy users. However, their widespread adoption remains limited by challenges such as low signal-to-noise ratio, inter- and intra-subject variability, and the need for frequent calibration. These challenges contribute to the long-standing issue of BCI illiteracy, where a subset of users consistently fails to achieve acceptable control performance.

This dissertation addresses MI–BCI illiteracy through a multifaceted investigation into Riemannian geometry-based adaptive decoding and transfer learning strategies. It explores supervised, unsupervised, and biased adaptation techniques applied to EEG signals, aiming to improve classification performance while reducing calibration overhead. Additionally, it employs statistical methods to examine the relationship between motor execution (ME) and MI, proposing a novel reframing of BCI illiteracy as BCI unfamiliarity. This perspective challenges the notion of user incapability and suggests a need for more inclusive, user-centered system design.

Furthermore, the study demonstrates effective domain knowledge transfer from ME to MI without requiring MI-specific calibration. The proposed methods achieve notable improvements in MI classification accuracy by leveraging class prototypes derived from ME data, offering a simple yet impactful transfer approach. The findings contribute to the literature by advancing a new conceptual understanding of user variability and proposing practical decoding strategies to enhance MI–BCI usability. Ultimately, this work lays the groundwork for more adaptive, reliable, and inclusive user-centered BCIs to better serve diverse populations.

Arabic Abstract

أمية واجهة الحاسوب الدماغية العاملة بالتصور الحركي: التصنيف المتكيّف مع نقل المعرفة في معالجة واجهات الدماغ الحاسوبية المعتمدة على إشارة تخطيط كهرباء الدماغ

تُستخدم واجهة الدماغ مع الحاسوب (BCI)، والمعروفة أيضًا بواجهة الدماغ مع الآلة (BMI)، لتحويل إشارات الدماغ إلى أوامر تحكم مباشرة دون الحاجة إلى تفعيل المسارات العصبية أو العضلية. وقد استأثرت هذه التقنية باهتمام الباحثين لعقود طويلة. وتتميّز واجهات الحاسوب الدماغية المعتمدة على التصور الحركي (MI–BCI) بسهولة الاستخدام، إذ تمكّن المستخدم من إصدار الأوامر بإرادته الحرة دون انتظار مؤشرات خارجية من النظام. لهذه الواجهات مستقبل واعد في تحسين جودة حياة الأفراد المصابين باضطرابات الحركة، فضلاً عن التطبيقات المساندة للأصحاء. غير أن العديد من التحديات ما زالت تُقيّد انتشار هذه التقنية خارج الأوساط البحثية والمختبرية. تعدّ عملية فك ترميز إشارات تخطيط كهربية الدماغ (EEG) من أبرز التحديات التقنية، إذ تتطلب معايرة مستمرة للحفاظ على دقة التصنيف، وذلك بسبب طبيعة الإشارات العصبية، ومحدودية بيانات التدريب، إلى جانب عوامل أخرى متعلّقة بالفروق الفردية بين المستخدمين. ومن بين الإشكاليات المزمنة التي تناولها الباحثون لسنوات، ما يُعرف بأمية واجهات الحاسوب الدماغية (BCI-illiteracy)، والتي تشير إلى العجز المتكرر لبعض المستخدمين عن التحكم الفعّال بالنظام.

تتناول هذه الأطروحة مشكلة الأمية في واجهات التصور الحركي من منظور جديد، من خلال استكشاف أثر خوارزميات فك الترميز المتكيفة، المعتمدة على الهندسة الريمانية (Riemannian Geometry) وتقنيات نقل التعلم (Transfer Learning). تستعرض الأطروحة عددًا من نماذج التكيف، منها التكيف المراقب (supervised)، وغير المراقب (unsupervised)، وكذلك التكيف المعاد التحيّز (rebiased)، بهدف تحسين دقة تصنيف الإشارات العصبية المستخرجة من إشارات تخطيط كهربية الدماغ (EEG). كما تستخدم الأساليب الإحصائية لدراسة العلاقة بين تنفيذ الحركة (ME) وتصورها (MI)، في محاولة لإعادة صياغة مفهوم الأمية الدماغية باعتبارها "عدم إلمام" أو "عدم ألفة" بدلاً من كونها عجزًا دائمًا. تقدّم الأطروحة كذلك نموذجًا لنقل المعرفة من مجال تنفيذ الحركة إلى مجال التصور الحركي، دون الحاجة إلى معايرة مسبقة لبيانات تصور الحركة (MI)، وذلك باستخدام نُهج بسيطة وفعّالة تعتمد على تمثيلات الفئات (class prototypes). أظهرت نتائج هذه المقاربة تحسينًا ملموسًا في دقة التصنيف، حتى في غياب بيانات معايرة تخص التصور الحركي.

تشكل المساهمات العلمية لهذه الأطروحة نقلة نوعية في فهم ظاهرة الأمية في واجهات الحاسوب الدماغية المعتمدة على التصور الحركي، حيث تعيد تعريفها من خلال مقارنة دقة التصنيف بين تصور الحركة وتنفيذها لنفس المستخدمين. كما تضع الأساس لتطوير واجهات أكثر موثوقية، تركز على المستخدم وتتكيف مع خصوصياته العصبية والإدراكية، مما يسهم في إرساء جيل جديد من الواجهات الذكية والمراعية للفروق الفردية.

Download

Share

COinS