كل يوم، تبدو الإشارات الكهربائية للدماغ مختلفة قليلًا. بالأمس، فكرة تحريك اليد اليسرى كانت تولد نمطًا معينًا من الموجات، واليوم تولد نمطًا مختلفًا قليلًا. بالنسبة لواجهة الدماغ-الحاسوب (جهاز يترجم الأوامر الذهنية إلى أفعال)، هذه مشكلة كبيرة: الإعداد الذي كان صالحًا بالأمس قد يفشل اليوم.
الطريقة الجديدة MRieHy لا تتعلم من تسجيل واحد، بل من مجموعة "بصمات" للنشاط الدماغي جمعت على مدى أيام عديدة. أولًا، تجد مركزًا مشتركًا لهذه البصمات — تمامًا كما تُدمج عشرات الصور لشخص واحد في صورة متوسطة يسهل مقارنة الصور الجديدة بها. لهذا تستخدم هندسة ريمان (Riemannian geometry) — أداة رياضية تسمح بقياس المسافات بين مصفوفات معقدة تصف النشاط الكهربائي للدماغ.
ثم يُبنى هيكل فائق (hypergraph) — شبكة يمكن أن تربط فيها الوصلات أكثر من عقدتين في وقت واحد، مثل محادثة جماعية بدلًا من مكالمة هاتفية ثنائية. يُشكل هيكل فائق واحد بناءً على المسافات الهندسية بين البصمات، وآخر بناءً على تشابه السمات العميقة المستخرجة من الإشارات. تُدمج الشبكتان بأوزان تُضبط تلقائيًا أثناء التعلم.
أثناء الاستخدام الفعلي، يحتفظ النظام في ذاكرته بآخر عدة بصمات للنشاط الدماغي (مخزن مؤقت للأحداث الأخيرة)، ويوائمها مع الصورة المتوسطة، ويصدر الأمر فورًا. أظهرت التجارب على بيانات من أقطاب مزروعة وقبعات تخطيط كهربية الدماغ (EEG) القياسية أن دقة التعرف على أربعة أنواع من الحركات الذهنية أعلى من أفضل الطرق السابقة.
هذا النهج يجعل الواجهة العصبية شبيهة بمترجم متمرس سمع صوتًا واحدًا في حالات مزاجية مختلفة، ولذلك يفهمه حتى مع بحة خفيفة.
إشارات دماغ الشخص نفسه قد تختلف أكثر من إشارات شخصين مختلفين في يوم واحد، لذلك تحتاج الواجهات إلى تكيف يومي.