Identifikation kortikaler Quellen, die zur BCI-Klassifikation beitragen

• Antragsteller: Professor Dr. Thorsten Zander
• Fachliche Zuordnung: Kognitive und systemische Humanneurowissenschaften ; Arbeitswissenschaft, Ergonomie, Mensch-Maschine-Systeme ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 541907312

Ein Gehirn-Computer-Schnittstelle (Brain-Computer Interface; abgekürzt BCI) ist ein neurotechnologisches System, das einen direkten Kommunikationsweg vom menschlichen Gehirn zu einem Computer bietet. BCIs verarbeiten die Gehirnaktivität, wandeln sie in unterscheidbare Merkmale um und verwenden maschinelles Lernen, um einen Klassifikator zu erstellen, der unterschiedliche kortikale Korrelate von internen kognitiven Zuständen des Benutzers unterscheidet. Die von BCIs verwendeten Algorithmen des maschinellen Lernens sind jedoch in der Regel datengesteuert und undurchsichtig, was zu einem Mangel an Erklärbarkeit führt: das Ausmaß, in dem die Mechanismen des Algorithmus mit menschlichen Begriffen erklärt werden können, ist gering. Da außerdem diese datengesteuerten Ansätze die neurophysiologische Grundlage der Daten nicht kennen, ist es unklar inwieweit die resultierenden Klassifikatoren die Gehirnaktivität zuverlässig identifizieren können, die mit den kognitiven Zuständen korreliert ist, und inwieweit sie sich auf unkorrelierte kortikale oder nicht kortikale (artefaktische) Aktivität bezieht. Eine Diskrepanz zwischen den kortikalen Regionen, von denen neurophysiologisch bekannt ist, dass sie die korrelierte Hirnaktivität erzeugen, und den Quellen, die tatsächlich zur Klassifizierung beitragen, kann zu einer suboptimalen, nicht robusten oder potenziell gefährlichen Technologie führen. In diesem Projektantrag stellen wir eine Methode zur Validierung von BCI-Klassifikatoren vor, indem wir ermitteln, welche neurophysiologischen Prozesse zur Klassifizierung beitragen. Die Validierungsmethode baut auf dem allgemeinen Prinzip eines Visualisierungswerkzeugs auf, das visuell kenntlich macht, welche Quellen für einen BCI-Klassifikator relevant sind. Die Hauptziele dieses Projektes sind: 1. Die Umwandlung des Visualisierungswerkzeugs in eine objektive Validierungsmethode; 2. Die Faktoren zu identifizieren, die das Ergebnis der Validierungsmethode beeinflussen; 3. Die Quantifizierung des Ergebnisses der Validierungsmethode auf eine Art und Weise, die den Gehirn-Fokus des Klassifikators objektiv widerspiegelt (d. h. den Anteil der kortikalen Quellen, die zur Klassifizierung beitragen), und das Konfidenzintervall der Validierungsmethode in diese Metrik; 4. den Wissensgewinn im Vergleich zu traditionellen Klassifikator-Analysemethoden zu demonstrieren. Wir planen, eine Validierungsmethode zu entwickeln, die aus dem Visualisierungstool hervorgeht, indem wir den Schwerpunkt auf die quantifizierbare Validierung von Klassifikatoren zu legen, und diese in eine Open-Source-Toolbox zu implementieren. Dies wird zu einem Analysesystem führen, das ein neues, neurophysiologisch relevantes Maß für die Validität liefert, die Robustheit der Klassifikatoren erhöht und die Erklärbarkeit im Bereich der BCI verbessert.

• DFG-Verfahren: Sachbeihilfen