Single trial analyses of encephalogram data.

Inspiriert, nicht zuletzt durch die Erforschung der Brain-computer-interface (BCI) Technologie präsentieren wir in dieser Dissertation neue Methoden zur Analyse makroskopisch gemessener Hirnsignale. Der Fokus liegt hierbei auf Methoden zur verbesserten Merkmalsextraktion, der Detektion mentaler Zustände und der Analyse der Variabilität von Reizantworten. Bedingte ereigniskorrelierte (De-)Synchronization: Die durch ein Ereignis induzierte Leistungsschwankung in einem Frequenzband wird konventionell als ERD bezeichnet und als relative Veränderung gegenüber der mittleren Grundaktivität gemessen. Wir erweitern den ERD-Begriff in Bezug auf eine verallgemeinerte Referenz. Dafür kontrastieren wir den zeitlichen Verlauf ereigniskorrelierter Aktivität mit dem gemessener single trials ohne spezifische Reizverarbeitung. Aus diesem verallgemeinerten Ansatz leiten wir eine Methode zur Bestimmung der Abhängigkeit der ERD-Antwort von initialen kortikalen Zuständen ab.Vergleichende Untersuchungen auf künstlichen und realen Daten validieren diesen Ansatz. Räumlich-spektrale Filter: Der Common-Spatial-Pattern Algorithmus (CSP) bestimmt für multivariate breitbandige Signale diskriminative räumliche Filter. Wir erweitern den klassischen Ansatz, so dass zusätzlich eine Optimierung einfacher Frequenzfilter erfolgt. Dies ermöglicht eine Adaptation an das individuelle EEG-Frequenzspektrums und somit eine verbesserte Merkmalsextraktion. Ein empirischer Vergleich mit dem klassischen CSP Algorithmus belegt die Vorteile unseres Verfahrens im Kontext der Klassifikation vorgestellter unilateraler Handbewegungen. Extraktion ereigniskorrelierter Potenziale (EKP): Independent component analysis (ICA) ist ein Werkzeug der statistischen Datenanalyse und Signalverarbeitung, welches multivariate Signale linear in ihre Quellkomponenten zerlegen kann. Wir präsentieren eine ICA Methode zur Extraktion von single trial EKP, welche unter Ausnutzung der Phasengebundenheit des EKP verbesserte räumliche Filter bestimmt. Simulationen mit künstlichen und echten Daten validieren diesen Ansatz in Bezug auf ein verbessertes SNR der extrahierten EKP. Zeitlich adaptive Merkmalskombination: Lateralisierte ERD des mu-Rhythmus und bewegungskorrelierte Potenziale sind die gebräuchlichsten diskriminativen Merkmale zur Klassifikation vorgestellter Handbewegungen. Wir präsentieren eine Methode diese zeitlich unterschiedlich ausgeprägten Merkmale für die Echtzeit-Klassifikation zu verwenden. Hierzu trainieren wir zunächst separat zu jedem Zeitpunkt einfache Klassifikatoren für jedes Merkmal und kombinieren diese anschließend adaptive in einem strikt kausalen, probabilistischen Ansatz. Die Leistungsfähigkeit dieses Algorithmus wurde durch seine erfolgreiche Anwendung in den BCI-Wettbewerbe 2003 und 2005 zur Klassifikation vorgestellter unilateraler Handbewegungen nachgewiesen.

Author dc:creator

• Lemm, Steven

Advisor dc:contributor.advisor

• Müller, Klaus-Robert

Licence dc:rights.uri

• http://rightsstatements.org/vocab/InC/1.0/

Language dc:language.iso

en, English

Identifier URI

urn:nbn:de:kobv:83-opus-17059
http://dx.doi.org/10.14279/depositonce-1724

OAI identifier oai:identifier

oai:depositonce.tu-berlin.de:11303/2021