Brain-Computer Interface Projekt Überblick

Bei dieser Zusammenarbeit mit dem Institut fĂŒr Medizinische Psychologie und dem Max Planck Institut fĂŒr Biologische Kybernetik und weiteren Instituten in TĂŒbingen trĂ€gt das NeuroTeam seinen Teil an Wissen ĂŒber maschinelles Lernen und Programmierung von Anwendungen fĂŒr komplett GelĂ€hmte bei.

Ein Brain Computer Interface (BCI) gibt gelĂ€hmten Menschen, die mit der Außenwelt entweder nur noch mĂŒhevoll mit einem Anspannen der Augenbrauen, oder gar nicht mehr kommunizieren können, eine neue Möglichkeit der VerstĂ€ndigung. Eine komplette LĂ€hmung kann z.B. durch die Amyotrophe Lateralsklerose (ALS) verursacht werden. ALS ist in Deutschland etwa genauso hĂ€ufig wie die Multiple Sklerose.

Ein BCI kann etwa folgendermaßen aufgebaut sein: Dem Patienten werden Elektroden auf dem Kopf befestigt. Die Hirnströme bzw. Potentialdifferenzen werden ĂŒber einen VerstĂ€rker in einen Rechner geleitet. Der Rechner kann - nach geeignetem Training der Algorithmen - mit hoher Genauigkeit zwei unterschiedliche Vorstellungen unterscheiden, an die der Patient denkt. Zum Beispiel könnte der Patient an eine Bewegung der linken Hand oder des linken Fußes denken, je nachdem welche Auswahl er auf dem Computerbildschirm treffen möchte. Somit wird fĂŒr den Patienten Kommunikation möglich.

Merkmalsextraktion und -selektion

Im Rahmen des von der Deutschen Forschungsgemeinschaft geförderten Projekts Maschinelles Lernen zur automatisierten Merkmalsextraktion und Klassifikation von EEG-Signalen fĂŒr Gehirn-Computer-Kommunikationssysteme (AUMEX) wurden BCI-Systeme Systeme entwickelt, die aus der Vielzahl von Eingangssignalen (Elektroden) diejenigen auswĂ€hlen, die dem Algorithmus am dienlichsten sind, um die gedankliche Vorstellung des Patienten möglichst genau zu erkennen.
Relevante Veröffentlichungen:

  • Schröder, M., Lal, T. N., Hinterberger, T., Bogdan, M., Hill, N. J., Birbaumer, N., Rosenstiel, W. and Schölkopf, B.:
    Robust EEG Channel Selection Across Subjects for Brain Computer Interfaces.
    Journal on Applied Signal Processing, Special Issue: Trends in Brain Computer Interfaces. [pdf]
  • Schröder, M., Bogdan, M., Rosenstiel, W., Hinterberger, T., and Birbaumer, N. (2003):
    Automated EEG Feature Selection for Brain Computer Interfaces.
    In: Proceedings of the 1st International IEEE EMBS Conference on Neural Engineering. pp. 626-629. March 20-22, 2003. [Download]

Multi-klassen BCI

Unsere Multiklassen-Studie im MEG hat in der offline-Auswertung schon gezeigt, dass die Bitrate unter Verwendung von drei oder vier Vorstellungsaufgaben (Klassen) gesteigert werden kann. Dies ist im Einklang mit frĂŒheren Studien. Neu an dieser Studie ist die Verwendung des MEG, um eine höhere Signalauflösung zu bekommen, und die Art der 7 Vorstellungen (4 motorische und 3 nicht-motorische), die miteinander verglichen wurden. Wegen der hohen Anzahl getesteter Klassen wird die Studie vorerst mit gesunden Probanden durchgefĂŒhrt. Klassifiziert werden die Vorstellungsaufgaben mit einer SVM, die einem Merkmalsselektionsalgorithmus nachgeschaltet wird.

Fehlerpotentiale

Typisches Fehlerpotential (16 KanÀle) eines Teilnehmers unserer Studie.

Fehlerpotentiale bieten derzeit eine vielversprechende Möglichkeit, falsch geschriebene Buchstaben automatisch zu erkennen. Wenn dem Nutzer eines BCI-Systems beim AuswĂ€hlen von Buchstaben auf dem Bildschirm ein falscher Buchstabe angezeigt wird, ist er fĂŒr einen kurzen Augenblick ĂŒberrascht. Dieser Effekt wird im EEG-Signal als NegativitĂ€t einige hundert Millisekunden nach dem Anzeigen des Buchstabens deutlich. Meist folgt darauf eine FehlerpositivitĂ€t (im Bild deutlich zu erkennen). In Kooperation mit Prof. Dr. A. KĂŒbler der UniversitĂ€t WĂŒrzburg arbeitet das NeuroTeam daran, die NegativitĂ€t im Einzelversuch bei gesunden Probanden und Patienten zu erkennen. Gelingt dies mit möglichst wenig falsch-positiven Treffern, kann durch das sofortige Löschen des inkorrekten Buchstabens die insgesamte Schreibgeschwindigkeit des Benutzers erhöht werden. Der Algorithmus soll in das bekannte BCI2000 P300-Speller Schreibsystem fĂŒr SchwerstgelĂ€hmte integriert werden.

Kognitionsdetektion

Elektrophysiologische Kognitionsdetektionstests könnten nĂŒtzlich sein, gute Zeitfenster hoher Aufmerksamkeit fĂŒr BCI Trainingssitzungen zu erkennen, vor allem wenn die Wachsamkeit eines Patienten nicht mehr direkt zurĂŒckgemeldet werden kann. Die Interpretation von Kognitionstests ĂŒber das EEG ist jedoch nicht einfach - z.B. kann es kein negatives Ergebnis geben. Selbst gesunde Probanden weisen nicht immer evozierte kortikale Potentiale (EKP) im EEG auf - dies kann auch bei Patienten der Fall sein. Im NeuroTeam wird momentan eine Toolbox (Matlab) entwickelt, um EKP von ECoG-Messungen zu visualisieren und quantifizieren.

Resultate unserer longitudinalen Patientenstudie weisen eine hohe Latenz in der P300-Antwort auf seltene Töne innerhalb einer Sequenz von hĂ€ufigen Tönen auf. Dies könnte ein Indiz fĂŒr eine allgemein verlangsamte Kognition bei diesem Patienten sein, eine mögliche ErklĂ€rung fĂŒr einige erfolglose BCI-Versuche.

In zukĂŒnftigen Patientenstudien könnte der Kognitionstest als ein PrĂ€diktor fĂŒr BCI Studien verwendet werden.

Anwendungen

Anwendungen fĂŒr GelĂ€hmte sind wichtig, da erst in der Anwendung der tatsĂ€chliche Nutzen der entwickelten Algorithmen fĂŒr den Patienten und das Pflegepersonal greifbar wird. Der Internet Browser Nessi soll Patienten zu mehr Selbstbestimmung verhelfen. Sie können selbst wĂ€hlen, welche Nachrichten sie lesen möchten oder wem sie eine E-Mail schreiben möchten. NĂ€heres zu Nessi erfahren Sie auf der Nessi homepage.
Relevante Veröffentlichungen:

  • J. Mellinger, T. Hinterberger, M. Bensch, M. Schröder, N. Birbaumer (2003): Surfing the Web with Electrical Brain Signals: The Brain Web Surfer (BWS) for the Completely Paralysed. Proceedings of 2nd World Congress of the International Society of Physical and Rehabilitation Medicine ISPRM Prague, Czech Republic, May 18-22, 2003. Edited by Haim Ring and Nachum Soroker. Download mellinger2003.pdf.gz.
  • E. Mugler, M. Bensch, S. Halder, W. Rosenstiel, M. Bogdan, N. Birbaumer, A. KĂŒbler. Control of an Internet Browser Using the P300 Event Related Potential. International Journal of Bioelectromagnetism, Vol.10(1), p.56-63 [pdf]
  • M. Bensch, A. Karim, J. Mellinger, T. Hinterberger, M. Tangermann, M. Bogdan, W. Rosenstiel, N. Birbaumer (2008). Nessi: An EEG controlled web browser for severely paralyzed patients. Computational Intelligence and Neuroscience. [html]

WeiterfĂŒhrende Links

Neurowissenschaften in TĂŒbingen

Internet Browser Nessi