Machine learning techniques for neurotechnology with applications for healthy users and patients

Fortschritte in der Neurotechnologie basieren auf der Aufnahme und Analyse von Hirnaktivität. Gehirn-Computer Schnittstellen (engl. Brain-Computer Interfaces, BCIs) stellen ein sehr aktives Forschungsfeld innerhalb der Neurotechnologie dar. BCIs ermöglichen es, Hirnaktivität direkt in Steuersignale zu übersetzen und schaffen damit einen Kommunikationsweg, der unabhängig von Muskelaktivität ist. Ein Hauptziel dieser Forschung ist es, Menschen zu helfen die aufgrund von neuronalen Erkrankungen wie dem Schlaganfall oder der Amyotrophe Lateralsklerose (ALS) nicht mehr eigenständig kommunizieren können. BCIs können diesen gelähmten Patienten ermöglichen, einen Teil ihrer Kommunikationsfähigkeit zurück zu erlangen, indem sie über ihre Hirnströme mit der Umwelt interagieren. Diese Dissertation trägt dem Fortschritt von BCIs auf drei verschiedenen Weisen bei. Zunächst werden zwei neuartige auditorische BCI Paradigmen – genannt PASS2D und CharStreamer – beschrieben und über Online-Studien mit gesunden Versuchspersonen evaluiert. Beide Paradigmen basieren auf Ereigniskorrelierten Potentialen (engl. Event Related Potentials, ERPs) und ermöglichen eine intuitive und schnelle Kommunikation mit dem BCI für Nutzer mit Sehstörungen. Während bisherige auditorische BCI Paradigmen in ihrer Anwendung sehr kompliziert sind, kann der CharStreamer mit einer Anweisung so einfach wie "bitte konzentrieren Sie sich auf den Buchstaben den Sie auswählen möchten" genutzt werden. Zusätzlich untersuchen zwei Offline-Studien, wie sich die Stimuluseigenschaften sowohl auf die ERPs, als auch auf die Genauigkeit und die Benutzerfreundlichkeit eines BCIs auswirken. Die genannten Studien weisen weiterhin darauf hin, dass die bisher üblichen Datenanalyseverfahren zu ERP-basierten BCI Paradigmen suboptimal sind. ERP Daten weisen bestimmte Informationen auf, die bei allgemein verwendeten Linearen Diskriminanzanalyse (LDA) nicht berücksichtigt werden. Der zweite maßgebliche Beitrag dieser Thesis befasst sich daher mit neuartigen Methoden, die zu einer verbesserten Datenanalyse führen. Es wird gezeigt, dass Neuroimaging Daten – insbesondere EEG Daten aus BCI Experimenten – eine intrinsische Subklassenstruktur aufweisen. Dazu wird eine neue Methode des Maschinellen Lernens entwickelt, die eine solche Subklassenstruktur verwerten kann – Relevance Subclass LDA (RSLDA). RSLDA ermöglicht sowohl eine verbesserte Klassifikationsgenauigkeit als auch eine verbesserte Interprätation der zugrundeliegenden Struktur in den Daten. Beide Aspekte sind sehr vorteilhaft und zeigen, dass RSLDA für eine Vielzahl von Klassifikationsproblemen im Bereich Neuroimaging und darüber hinaus geeignet ist. Als dritter Beitrag wird eine BCI Studie mit schwer gelähmten Patienten durchgeführt. Es wird gezeigt dass es mit der Anwendung von modernen Methoden des Maschinellen Lernens möglich ist, ein hoch flexibles BCI System bei diesen Patienten anzuwenden. Dadurch kann eine zuverlässig BCI Steuerung innerhalb von nur wenigen Sitzungen ermöglicht werden. Diese Studie zeigt außerdem erstmals, dass die Kommunikation über das BCI schneller und zuverlässiger sein kann als über andere Unterstützungstechnologien, welche auf Muskelaktivität basieren. Es wird dabei für einen Patienten erstmalig gezeigt, dass die neuronalen Signale einer versuchten Bewegung erkannt werden können, bevor die muskuläre Aktivität messbar ist.

Author dc:creator

• Höhne, Johannes

Advisors dc:contributor.advisor

• Müller, Klaus-Robert
• Tangermann, Michael

Licence dc:rights.uri

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

Language dc:language.iso

en, English

Identifier URI

urn:nbn:de:kobv:83-opus4-64006
http://dx.doi.org/10.14279/depositonce-4377

OAI identifier oai:identifier

oai:depositonce.tu-berlin.de:11303/4674