EEG als Steuersignal: Gehirnaktivität entschlüsseln und effizient als Kommunikationsmittel für Patienten mit motorischen Defiziten nutzen

Zusammenfassung

Ziel der Studie Ereignis-korrelierte Potenziale werden in der Regel in einzelnen EEG-Kanälen ermittelt. Mit einem einzelnen Kanal wird jedoch nur ein Teil des gesamten Hirnprozesses erfasst. Für eine Gehirn-Computer Schnittstelle, die in kurzer Zeit eine Entscheidung treffen muss, ist diese singuläre Gehirnantwort häufig unzureichend wogegen die Information aus mehreren Kanälen häufig redundant ist. Beide Vorgehensweisen sind nicht optimal. Daher ist es unser Ziel, die Kanäle zu wenigen Komponenten zu kombinieren, die die relevantesten Modulationen eines Hirnprozesses erfassen.

Methodik Wir nutzen die kanonische Korrelationsanalyse, um datengetrieben räumliche Filter aus dem EEG zu bestimmen. Mit der Produkt-Moment Korrelation ermitteln wir, auf welche von 12 verschiedenen Stimulussequenzen die Studienteilnehmer geachtet haben.

Ergebnisse Die verdeckte Aufmerksamkeit der Studienteilnehmer konnte mit hoher Genauigkeit (89,3±9,2%) aus dem räumlich gefilterten EEG und signifikant besser als aus einzelnen Kanälen dekodiert werden.

Schlussfolgerung Die aus dem EEG erlernten räumlichen Filter ermöglichen die Extraktion von Komponenten, die einen event-korrelierten Gehirnprozess charakterisieren und eine Gehirn-Computer Schnittstelle effektiv steuern können, was von hoher Relevanz für Patienten ist, die nicht mehr anderweitig kommunizieren können.

Abstract

Objective Event-related potentials are commonly calculated in single EEG channels. However, a single channel reflects only a part of the whole brain process. A brain-computer interface must detect a user’s intention in short intervals and thus this sparse brain response might be insufficient while information in multiple channels might be redundant. Therefore, our aim was to combine the channels to a few components which reflect the most relevant modulations of a brain process.

Methods We applied canonical correlation analysis to determine spatial filters from EEG signals. Using an ordinary correlation measure, we decoded to which of 12 stimulus sequences the participants directed their attention.

Results The covert attention of participants was decoded i) with high accuracy (89,3±9,2%) from spatially filtered EEG signals and ii) significantly better compared to using single channel features.

Conclusions The spatial filters, learned from EEG data, permitted the extraction of components characterizing an event-related brain process. Furthermore, they could be effectively used to control a brain-computer interface, which is highly relevant for patients who have lost all other communication abilities.

Schlüsselwörter

räumlicher Filter - event-korreliertes Potenzial - Gehirn-Computer Schnittstelle

Key words

Spatial filter - event-related potential - brain-computer interface

Publication History

Article published online:
23 July 2020

• Literatur

• 1 Quandt F, Reichert C, Schneider B. et al. Grundlagen und Anwendung von Brain-Machine Interfaces (BMI). Klin Neurophysiol 2012; 43: 158-167
• 2 Lal TN, Schröder M, Hinterberger T. et al. Support Vector Channel Selection in BCI. IEEE Trans Biomed Eng 2004; 51: 1003-1010
• 3 Cecotti H, Rivet B, Congedo M. et al. A Robust Sensor-Selection Method for P300 Brain-Computer Interfaces. J Neural Eng 2011; 8: 016001
• 4 Feess D, Krell MM, Metzen JH. Comparison of Sensor Selection Mechanisms for an ERP-based Brain-Computer Interface. PloS one 2013; 8: e67543
• 5 Blankertz B, Tomioka R, Lemm S. et al. Optimizing Spatial Filters for Robust EEG Single-Trial Analysis. IEEE Signal Process Mag 2008; 25: 41-56
• 6 Lotte F, Bougrain L, Cichocki A. et al. A Review of Classification Algorithms for EEG-Based Brain-Computer Interfaces: a 10 Year Update. J Neural Eng 2018; 15: 031005
• 7 Fazel-Rezai R, Allison BZ, Guger C. et al. P300 Brain Computer Interface: Current Challenges and Emerging Trends. Front Neuroeng 2012; 5: 14
• 8 Reichert C, Dürschmid S, Heinze H-J. et al. A Comparative Study on the Detection of Covert Attention in Event-Related EEG and MEG signals to control a BCI. Front Neurosci 2017; 11: 575
• 9 Hotelling H. The most predictable criterion. J Educ Psychol 1935; 26: 139
• 10 Lin Z, Zhang C, Wu W. et al. Frequency Recognition Based on Canonical Correlation Analysis for SSVEP-Based BCIs. IEEE Trans Biomed Eng 2006; 53: 2610-2614
• 11 Riccio A, Mattia D, Simione L. et al. Eye-Gaze Independent EEG-Based Brain-Computer Interfaces for Communication. J Neural Eng 2012; 9: 045001
• 12 Treder MS, Schmidt NM, Blankertz B. Gaze-Independent Brain-Computer Interfaces Based on Covert Attention and Feature Attention. J Neural Eng 2011; 8: 066003
• 13 Farwell LA, Donchin E. Talking off the Top of your Head: Toward a Mental Prosthesis Utilizing Event-Related Brain Potentials. Electroencephalogr Clin Neurophysiol 1988; 70: 510-523
• 14 Hillyard SA, Münte TF. Selective Attention to Color and Location: An Analysis with Event-Related Brain Potentials. Percept Psychophys 1984; 36: 185-198
• 15 Hopf J-M, Vogel E, Woodman G. et al. Localizing Visual Discrimination Processes in Time and Space. J Neurophysiol 2002; 88: 2088-2095
• 16 Shishkin SL, Ganin IP, Basyul IA. et al. N1 Wave in the P300 BCI is not Sensitive to the Physical Characteristics of Stimuli. J Integr Neurosci 2009; 8: 471-485
• 17 Scherg M, Ille N, Bornfleth H. et al. Advanced Tools for Digital EEG Review: Virtual Source Montages, Whole-Head Mapping, Correlation, and Phase Analysis. J Clin Neurophysiol 2002; 19: 91-112