Mitä jos laitetta voisi ohjata pelkästään ajatuksen voimalla? Hiirtä, näppäimistöä tai peliohjainta ei välttämättä enää tarvita (Kuva 1). Idea kuulostaa edelleen tieteiselokuvalta, mutta todellisuudessa aivosignaaleihin perustuvia käyttöliittymiä on kehitetty jo vuosikymmenten ajan. Viime vuosina kuluttajaluokan EEG-laitteet ovat kuitenkin tehneet teknologiasta aiempaa saavutettavampaa myös tavallisille käyttäjille (Ronca ym. 2025).
Mitä on BCI-teknologia?
BCI-järjestelmä (Brain-Computer Interface) eli aivotietokonerajapinta on teknologia, jonka avulla ihminen voi ohjata laitteita suoraan aivojen sähköisten signaalien kautta, ilman fyysistä kontaktia. Käytännössä tämä tarkoittaa, että liikuntarajoitteinen henkilö voisi ohjata tietokonetta tai muuta laitetta pelkän ajattelun avulla. Ohjauskomennot muodostetaan mittaamalla aivojen sähköistä toimintaa elektroenkefalografian eli EEG:n avulla. (Chen ym. 2024.) Teknologiaa hyödynnetään muun muassa tutkimuksessa, kuntoutuksessa ja interaktiivisissa sovelluksissa (Nicolas-Alonso & Gomez-Gil 2012).
Kuvassa 2 on esitetty yleisimmät aivoaaltotyypit taajuusalueineen. EEG-signaali koostuu useista taajuuskomponenteista eli aivoaaltokaistoista, jotka heijastavat erilaisia neurologisia ja kognitiivisia tiloja. Perinteisesti monissa aivojen toimintahäiriöissä EEG-signaalia analysoidaan visuaalisesti ja sitä käytetään diagnosoinnin tukena. Terveillä aikuisilla signaalien amplitudit ja taajuudet vaihtelevat sen mukaan, missä tilassa henkilö on: siirtyykö hän esimerkiksi valveillaolon ja unen välillä. Myös aaltojen ominaisuudet muuttuvat iän myötä. (Sanei & Chambers 2022, 56–57.)
Matalimmat taajuudet ovat delta-aaltoja (0,5–4 Hz), joita esiintyy pääasiassa syvässä unessa. Theeta-aallot (4–8 Hz) liittyvät kevyeen uneen, rentoutumiseen ja meditaatioon. Alfa-aallot (8–13 Hz) ovat tyypillisiä rauhallisessa valvetilassa, jossa henkilö on rentoutunut mutta virkeä. Beeta-aallot (13–30 Hz) puolestaan heijastuvat aktiivisessa ajattelussa, keskittymisessä ja ongelmanratkaisussa. Korkeimmat taajuudet ovat gamma-aaltoja (>30 Hz), jotka liittyvät monimutkaisiin kognitiivisiin prosesseihin, kuten havainnointiin. (Sanei & Chambers 2022, 56–58.)
Kaksi tapaa ohjata ajatuksilla
Kuluttajaluokan EEG-laitteilla voidaan toteuttaa erilaisia ohjausmenetelmiä. Yksi tunnetuimmista perustuu mentaalikomentoihin (Mental Commands), joissa käyttäjä opettaa järjestelmän tunnistamaan tietynlaisen ajatustoiminnan. Tunnistus perustuu koneoppimismalliin, joka koulutetaan käyttäjäkohtaisesti toistamalla tiettyjä mielikuvia. Käytännössä käyttäjä pyrkii esimerkiksi kuvittelemaan liikettä vasemmalle tai oikealle, minkä perusteella järjestelmä muodostaa ohjauskomennon.
Toinen lähestymistapa perustuu aivoaaltoihin. Esimerkiksi beeta- ja alfa-aktiivisuuden suhdetta voidaan hyödyntää käyttäjän vireystilan arvioinnissa. Keskittyminen lisää yleensä beeta-aktiivisuutta, kun taas rentoutuminen korostaa alfa-aktiivisuutta. Tätä tietoa voidaan käyttää esimerkiksi pelin nopeuden tai käyttöliittymän toiminnan säätelyyn.
Panteleevin opinnäytetyössä (2026) tutkittiin EEG-pohjaisia komentoja, joiden avulla ohjattiin toimintaa käyttöliittymässä. Testauksessa molemmat menetelmät osoittautuivat toimiviksi, mutta niiden välillä havaittiin selkeitä eroja käyttökokemuksessa. Taajuuskaistapohjainen ohjaus tuntui intuitiivisemmalta, sillä käyttäjän ei tarvinnut tietoisesti “tuottaa komentoa”. Riittävä keskittyminen itse tehtävään synnytti tarvittavan aivoaktiivisuuden luonnollisesti.
Mentaalikomentojen käyttö puolestaan vaati enemmän harjoittelua, ja tunnistus oli ajoittain epävakaata. Tämä vastaa aiempia tutkimustuloksia kuluttajaluokan EEG-laitteilla, joissa käyttäjäkohtaiset erot sekä signaalin kohina vaikuttavat merkittävästi tunnistuksen tarkkuuteen (Tarara ym. 2025).
Sovelluksia pelaamisen ulkopuolella
EEG-pohjaisten käyttöliittymien tutkimus ei rajoitu pelkästään viihdesovelluksiin, vaan sitä sovelletaan myös esimerkiksi kuntoutuksen ja käyttökokemuksen aloilla. Kuntoutuksessa teknologia avaa mahdollisuuksia henkilöille, joille perinteiset syöttölaitteet ovat vaikeita tai mahdottomia käyttää. Opetuksessa BCI-sovellukset voisivat seurata oppijan vireystilan reaaliaikaisesti ja mukauttaa tehtäviä automaattisesti. (Nicolas-Alonso & Gomez-Gil 2012).
Teknologia on jo olemassa
Kuluttajaluokan EEG-laitteisto riittää jo yksinkertaisten interaktiivisten sovellusten rakentamiseen. Signaalin laatu ja mentaalikomentojen tunnistuksen epätasaisuus asettavat rajoitteita, mutta käyttäjäkohtainen kalibrointi ja harjoittelu parantavat ohjauksen luotettavuutta merkittävästi. Seuraava askel on uusien sovellusten kehittäminen ja rohkea kokeileminen.
Kirjoittajat
Marina Panteleev on tieto- ja viestintätekniikan insinööriopiskelija LAB-ammattikorkeakoulussa. Hänen opinnäytetyönsä käsittelee BCI-pohjaisen peliohjauksen toteutusta kuluttajaluokan EEG-laitteistolla.
Matti Welin toimii yliopettajana LAB-ammattikorkeakoulussa tieto- ja viestintätekniikan koulutusvastuussa. Hän on kiinnostunut uusista teknologioista ja niiden soveltamisesta. Hän toimi Panteleevin opinnäytetyön ohjaajana.
Lähteet
Chen, Y., Shi, X., De Silva, V. & Dogan, S. 2024. Steady-State Visual Evoked Potential-Based Brain–Computer Interface System for Enhanced Human Activity Monitoring and Assessment. Sensors. Vol. 24 (21), 7084. Viitattu 8.5.2026. Saatavissa https://doi.org/10.3390/s24217084
Nicolas-Alonso, L. & Gomez-Gil, J., 2012. Brain Computer Interfaces, a Review. Sensors. Vol. 12 (2), 1211–1279. Viitattu 10.5.2026. Saatavissa https://doi.org/10.3390/s120201211
Panteleev, M. 2026. BCI-pohjaisen peliohjauksen toteutus kuluttajaluokan EEG-laitteistolla: aivokäyrädatan hyödyntäminen reaaliaikaisessa peliohjauksessa. AMK-opinnäytetyö. LAB-ammattikorkeakoulu, tieto- ja viestintätekniikka. Lahti. Viitattu 4.6.2026. Saatavissa https://urn.fi/URN:NBN:fi:amk-2026052115202
Ronca, V., Cecchetti, M., Capotorto, R., Di Flumeri, G., Giorgi, A., Germano, D., Borghini, G., Babiloni, F. & Aricò, P. 2025. Beyond the lab: real-world benchmarking of wearable EEGs for passive brain-computer interfaces. Brain Informatics. Vol. 13, 3. Viitattu 11.5.2026. Saatavissa https://doi.org/10.1186/s40708-025-00290-x
Sanei, S., Chambers, J. 2022. EEG signal processing and machine learning. Hoboken: Wiley.
Tarara, P., Przybył, I., Schöning, J. & Gunia, A. 2025. Motor imagery-based brain-computer interfaces: an exploration of multiclass motor imagery-based control for Emotiv EPOC X. Frontiers in Neuroinformatics. Vol. 19. Viitattu 10.5.2026. Saatavissa https://doi.org/10.3389/fninf.2025.1625279
