Enhancing EEG-based brain-computer interfaces with deep learning and explainable artificial intelligence

Abstract

For decades, researchers have envisioned utilizing brain signals to interact with computers and assistive devices directly through thought alone. However, electroencephalography (EEG)-based brain–computer interfaces (BCIs) still face reliability issues, prolonged calibration, and incomplete knowledge of neural dynamics. These obstacles hamper the practical deployment of BCIs in real-world scenarios, including robust assistive systems for people with severe motor impairments.

In this context, this Doctoral Thesis focuses on improving motor imagery (MI) EEG-based BCIs by leveraging state-of-the-art deep learning (DL) methods and explainable artificial intelligence (XAI) techniques. It first introduces EEGSym, a novel DL architecture developed to tackle the well-known variability in EEG signals that often leads to "BCI inefficiency". EEGSym incorporates hemispheric symmetry, inception modules, and residual connections to robustly decode MI commands directly from raw EEG. Furthermore, it is enhanced with data augmentation strategies and a multi-dataset transfer learning pipeline, eliminating the need for lengthy calibration across different users and recording sessions.

Alongside the proposed DL architecture, a XAI-driven methodology was introduced to reveal the spatio-temporal features most relevant for MI decoding. By adapting Shapley additive explanations (SHAP) to the EEG domain, this work uncovers the neural patterns and cortical regions the model relies upon, highlighting not only primary sensorimotor areas but also the prefrontal and parietal cortices. These findings broaden our understanding of brain activation beyond conventional sensorimotor paradigms, helping to optimize electrode setups and improve BCI usability. In particular, an eight-channel montage was selected through SHAP analysis to minimize equipment needs without compromising accuracy.

Lastly, this thesis explores motor execution (ME) to MI direct transfer learning as a means to improve MI sessions. Models exclusively trained on ME data were found to classify MI tasks with comparable performance to MI-trained models, pointing to a shared neural substrate that may help circumvent challenges, such as low user engagement or unobservable MI attempts. By unifying these insights (robust DL architectures, explainable feature attribution, and ME to MI transfer), this work provides a pathway toward more efficient, reliable, and versatile BCIs.

In the three studies that comprise this Doctoral Thesis, we evaluated the proposed solutions for novelty, robustness, and flexibility. First, in a strictly inter-subject evaluation that merged five public datasets and 280 participants, EEGSym achieved mean accuracies of 88.6 ± 9.0% on Physionet, 83.3 ± 9.3% on OpenBMI, 85.1 ± 9.5% on Kaya2018, 87.4 ± 8.0% on Meng2019, and 90.2 ± 6.5% on the Carnegie Mellon dataset while relying on only 16 electrodes; consequently, 268 of the 280 users (95.7%) surpassed the 70% BCI-control threshold, reducing the proportion of `BCI-inefficient'' users to below 5%.

Second, coupling EEGSym with SHAP-based explainability revealed that motor imagery engages a distributed network extending from the sensorimotor cortex to prefrontal and posterior-parietal regions. Based on this insight, we selected an eight-channel montage centered on F7/F8 and bilateral centro-parietal sites that maintained high accuracy (86.5 ± 10.6% on Physionet and 88.7 ± 7.0% on the Carnegie Mellon dataset), thus enabling reduced EEG setups for MI-based BCIs with comparable performance. Finally, we show for the first time that a model trained exclusively on ME data can decode MI with comparable accuracy, demonstrating direct ME to MI transfer that eliminates user-specific MI calibration.

Taken together, these results outline a path toward MI-based BCIs that are accurate, interpretable, and easy to deploy while remaining resilient to inter-subject and inter-session variability. Although these tests were conducted offline with healthy volunteers, the 95% control rate, portable eight-electrode configuration, and calibration-free ME to MI transfer establish a firm basis for future clinical and real-time studies, accelerating the transition of BCIs from laboratory prototypes to reliable assistive technologies for daily use.

Durante décadas, los investigadores han aspirado a usar señales cerebrales para interactuar con ordenadores y dispositivos de asistencia solo con el pensamiento. Sin embargo, las interfaces cerebro–computadora (BCI) basadas en electroencefalografía (EEG) aún presentan una precisión limitada, necesidad de calibraciones por sesión y un conocimiento incompleto de la dinámica cerebral implicada. Estos obstáculos limitan su aplicación práctica en escenarios reales, incluidos sistemas de rehabilitación o asistencia para personas con discapacidades motoras.

Esta Tesis Doctoral se centra en mejorar los BCI basados en EEG que utilizan el paradigma de imaginación motora (MI) mediante métodos avanzados de aprendizaje profundo (DL) y técnicas de inteligencia artificial explicable (XAI). Primero se presenta EEGSym, una arquitectura de DL diseñada para abordar la variabilidad de las señales EEG que suele causar “ineficiencia en BCI”. EEGSym incorpora en su diseño la simetría hemisférica del cerebro, módulos inception y conexiones residuales para decodificar los comandos MI directamente del EEG. Además, se complementa con estrategias de aumento de datos y transferencia del aprendizaje, eliminando la necesidad de calibración para cada usuario y sesión.

Junto a EEGSym, se desarrolló una metodología XAI para identificar las características espacio-temporales más relevantes en MI. Adaptando las explicaciones aditivas de Shapley (SHAP) a EEG, se revelan los patrones neuronales que el modelo identifica en MI. Estos hallazgos amplían la visión clásica de la activación cerebral en MI y permiten optimizar la disposición de electrodos para mejorar la usabilidad de la BCI. En concreto, mediante análisis SHAP se seleccionó un montaje de ocho canales sin sacrificar precisión.

Finalmente, la tesis explora el aprendizaje por transferencia directa de ejecución motora (ME) a MI como estrategia para optimizar las sesiones de MI. Se demuestra que modelos entrenados exclusivamente con datos de ME clasifican tareas de MI con rendimiento similar a los entrenados con MI, lo que sugiere un sustrato neural compartido y ofrece una vía para prescindir de calibraciones MI específicas.

Los tres estudios que componen esta Tesis Doctoral evaluaron la novedad, robustez y flexibilidad de las propuestas. Primero, en una evaluación intersujeto que fusionó cinco bases de datos públicas con 280 participantes, EEGSym alcanzó precisiones medias de 88,6 ± 9,0 % en Physionet, 83,3 ± 9,3 % en OpenBMI, 85,1 ± 9,5 % en Kaya2018, 87,4 ± 8,0 % en Meng2019 y 90,2 ± 6,5 % en Carnegie Mellon, empleando solo 16 electrodos. Así, 268 de los 280 usuarios (95,7 %) superaron el umbral de control del 70 %, reduciendo a menos del 5 % los usuarios “ineficientes BCI”.

En segundo lugar, la combinación de EEGSym con SHAP reveló que la imaginación motora activa una red distribuida desde el cortex sensorimotor hasta regiones prefrontal y parietal posterior. Con base en este hallazgo, se diseñó un montaje de ocho canales centrado en F7/F8 y sitios centro-parietales bilaterales, que mantuvo alta precisión (86,5 ± 10,6 % en Physionet y 88,7 ± 7,0 % en Carnegie Mellon), demostrando que configuraciones reducidas pueden igualar el rendimiento de montajes completos. Por último, se muestra por primera vez que un modelo entrenado solo con datos de ME decodifica MI con precisión comparable, confirmando la transferencia ME-MI y eliminando la necesidad de calibración específica de MI.

En conjunto, estos resultados delinean una vía hacia BCI basados en MI más precisas, interpretables y de fácil uso, independientes a la variabilidad entre sujetos y sesiones. Aunque los estudios fueron offline y con voluntarios sanos, la tasa de control del 95 %, la configuración portátil de ocho electrodos y la transferencia sin calibración ME-MI sientan una base sólida para futuros estudios clínicos y en tiempo real, acelerando la transición de prototipos de laboratorio a tecnologías de asistencia confiables para el uso diario.