Kopplungsmerkmale zur Klassifikation von MEG-Signalen für Gehirn-Computer-Kommunikationssysteme
Final Report Abstract
Ein Kommunikationssystem, welches eine direkte Verbindung zwischen Gehirn und Computer herstellt, wird Brain‐Computer Interface (BCI) genannt. Diese Technik findet als Kommunikationsmittel bei gelähmten Patienten mit dem sog. Locked‐In Syndrom Anwendung, kann aber auch zur Unterstützung der Rehabilitation bei Patienten mit Schlaganfall verwendet werden. Um die Effektivität von BCIs im täglichen Einsatz zu steigern, wurde in diesem Projekt das Ziel verfolgt, die Vorgänge im Gehirn bei Vorstellungen von Bewegungen oder komplexeren Vorstellungen zu untersuchen. Im Einzelnen soll die „Kopplung“ zwischen verschiedenen Regionen des Kortex untersucht werden, welche sich durch bestimmte Gemeinsamkeiten in der oszillatorischen neuronalen Aktivität der Regionen äußert. Um zu untersuchen ob sich Kopplungsmerkmale für die Verwendung in BCIs eignen und ob bzw. welche eventuellen Vorteile sie gegenüber traditionellen Methoden haben, wurden verschiedene Kopplungsmerkmale auf einem Datensatz getestet, welcher mittels MEG bei gesunden Probanden gemessen wurde. Hier zeigte sich, dass sich zwei Kopplungsmerkmale, Coherence und Phase Locking Value, gut zur Klassifikation verschiedener mentaler Zustände (wie z.B. Vorgestellte Hand‐Bewegung) eignen. Für die Umsetzung in ein Online‐fähiges BCI stellt jedoch die große Datenmenge, die Kopplungsmerkmale liefern, ein Problem dar. Während die Anzahl der Dimensionen bei klassischen Merkmalsextraktionsverfahren linear mit der Anzahl der Kanäle wächst, wächst sie bei Kopplungsmerkmalen exponentiell. Besonders bei Messverfahren wie MEG, die eine hohe Anzahl an Kanälen bietet, werden daher Methoden benötigt, die die Anzahl der Dimensionen reduzieren, um so eine effiziente, echtzeit‐fähige Verarbeitung und Klassifikation der Daten zu gewährleisten. Zu diesem Zweck wurde eine Methode zur Merkmalsselektion entwickelt, welche automatisiert die Dimensionen in den Daten findet, welche für die Steuerung des BCIs wichtig sind, während unwichtige Dimensionen aus den Daten entfernt werden. Im Vergleich zu anderen Methoden zur Merkmalsselektion, wird eine ähnliche Klassifikations‐genauigkeit erreicht, der Rechenaufwand der Methode ist aber deutlich niedriger. Unter Verwendung der neuen Methode zur Merkmalsextraktion wurde ein Echtzeit‐fähiges BCI entwickelt und in einer Studie mit 10 Probanden erfolgreich getestet. Ein weiteres Teilziel dieses Projekts war die Untersuchung der neuronalen Reaktion des Benutzers auf Fehlklassifikationen mit dem Ziel Fehlklassifikationen des BCIs zu erkennen und diese Information zur Qualitätssteigerung zu nutzen. Im Rahmen dieses Projekts wurde gezeigt, dass sich diese neuronale Reaktion („Fehlerpotentiale“) gut erkennen und maschinell klassifizieren lässt. Diese Erkenntnisse wurde genutzt um einerseits den Klassifikator des BCIs anzupassen um so die Genauigkeit zu verbessern, was in einer Studie mit 10 Probanden bestätigt wurde. Anderseits lässt sich diese Information über Fehlklassifikationen zur Fehlerkorrektur nutzen. Durch diesen Ansatz konnte in einer Studie mit 17 Probanden und 6 ALS‐Patienten die Informationsübertragungsrate des BCI‐Systems um durchschnittlich 29% gesteigert werden.
Publications
- (2012) Online Adaptation of a c‐VEP Brain‐Computer Interface (BCI) Based on Error‐Related Potentials and Unsupervised Learning. PLoS ONE 7(12): e51077
Spüler, M., Rosenstiel, W., Bogdan, M.
(See online at https://doi.org/10.1371/journal.pone.0051077) - (2012) Volitional control of neuromagnetic coherence. Front. Neurosci. 6:189
Sacchet, M.D., Mellinger, J., Sitaram, R., Braun, C., Birbaumer, N. and Fetz, E.
(See online at https://doi.org/10.3389/fnins.2012.00189) - (2012). A new (semantic) reflexive brain–computer interface: In search for a suitable classifier. Journal of neuroscience methods, 203(1), 233‐240
Furdea, A., Ruf, C. A., Halder, S., De Massari, D., Bogdan, M., Rosenstiel, W., ... & Birbaumer, N.
(See online at https://doi.org/10.1016/j.jneumeth.2011.09.013) - (2012). Online use of error‐related potentials in healthy users and people with severe motor impairment increases performance of a P300‐BCI. Clinical Neurophysiology, 123(7), 1328‐1337
Spüler, M., Bensch, M., Kleih, S., Rosenstiel, W., Bogdan, M., & Kübler, A.
(See online at https://doi.org/10.1016/j.clinph.2011.11.082) - (2012). Principal component based covariate shift adaption to reduce non‐stationarity in a MEG‐based brain‐computer interface. EURASIP Journal on Advances in Signal Processing, 2012(1), 1‐7
Spüler, M., Rosenstiel, W., & Bogdan, M.
(See online at https://doi.org/10.1186/1687-6180-2012-129) - (2013). Brain communication in the locked‐in state. Brain, awt102
De Massari, D., Ruf, C. A., Furdea, A., Matuz, T., van der Heiden, L., Halder, S., ... & Birbaumer, N.
(See online at https://doi.org/10.1093/brain/awt102) - (2013). Prediction of auditory and visual p300 brain‐computer interface aptitude. PloS one, 8(2), e53513
Halder, S., Hammer, E. M., Kleih, S. C., Bogdan, M., Rosenstiel, W., Birbaumer, N., & Kübler, A.
(See online at https://doi.org/10.1371/journal.pone.0053513) - (2013). Prediction of brain‐computer interface aptitude from individual brain structure. Frontiers in human neuroscience, 7 :105
Halder, S., Varkuti, B., Bogdan, M., Kübler, A., Rosenstiel, W., Sitaram, R., & Birbaumer, N.
(See online at https://doi.org/10.3389/fnhum.2013.00105) - (2015) Error‐related potentials during continuous feedback: using EEG to detect errors of different type and severity. Front. Hum. Neurosci. 9:155
Spüler, M., Niethammer, C.
(See online at https://dx.doi.org/10.3389/fnhum.2015.00155)
