Über die robuste räumliche Filterung von EEG in nichtstationären Umgebungen

摘要

Brain-Computer Interfaces (BCIs) sind neuartige technische Systeme, die einen Kommunikationskanal zwischen Mensch und Computer zur Verfügung stellen, ohne dabei das periphere Nervensystem oder die Muskulatur einzubeziehen. Das Arbeitsprinzip eines BCIs basiert auf drei Schritten. (1) Die Versuchsperson kodiert die zu übermittelnde Anweisung als mentalen Zustand, indem sie sich z.B. das Ausführen einer speziellen Bewegung vorstellt. (2) Das BCI System dekodiert den mentalen Zustand und damit auch die zu übermittelnde Anweisung aus gemessener Hirnaktivität. (3) Das System setzt die Anweisung zur Steuerung von technischen Geräten oder zur Kommunikation mit der Umgebung um. Das zuverlässige Dekodieren der mentalen Zustände ist jedoch schwierig, da die gemessenen elektroenzephalographischen Signale sowohl verrauscht und nichtstationär sind als auch Artefakte enthalten können. Weiterhin sind diese Signale üblicherweise hochdimensional und bestehen zum größten Teil aus neuronaler Hintergrundaktivität, die keinen Bezug zu dem induzierten mentalen Zustand aufweist. Aus diesem Grund ist die Extraktion von robusten und informativen Merkmalen von zentraler Bedeutung für eine erfolgreiche Anwendung der BCI Technologie, vor allem wenn das System Einzelversuche klassifizieren können soll. Ein wesentlicher Schritt bei der Merkmalsextraktion in sogenannten motor-imagery BCI Systemen ist die räumliche Filterung. Obwohl viele Methoden zur Berechnung von räumlichen Filtern in der Literatur vorgeschlagen wurden — zu nennen ist hier vor allem der Common Spatial Patterns (CSP) Algorithmus — wurde dem Nichtstationaritäts- und dem Robustheitsproblem selten ausreichend Beachtung geschenkt. Das Ziel der vorliegenden Arbeit ist die Entwicklung von neuen Methoden für die robuste räumliche Filterung von nichtstationären EEG Signalen. Diese Dissertation trägt in mehrerer Hinsicht zu der aktuellen Forschung im Bereich BCI bei. Der erste Beitrag dieser Arbeit ist die Entwicklung einer neuen Regularisierungsstrategie für CSP, welche die Varianz der extrahierten Merkmale reduziert. Hierfür wird ein neuer Algorithmus — stationary CSP — vorgeschlagen und die Auswirkungen der Regularisierung werden mit Hilfe von Simulationen und echten Daten erforscht. Ein weiterer Beitrag dieser Arbeit besteht in der Untersuchung von Möglichkeiten für den Austausch von Nichtstationaritätsinformationen zwischen Versuchspersonen, die am gleichen BCI-Experiment teilnehmen. In diesem Zusammenhang wird eine neue Methode — stationary subspace CSP — entwickelt und umfassend evaluiert. Der zentrale Beitrag der Dissertation ist die Formulierung der Berechnung von räumlichen Filtern als Divergenzmaximierungsproblem. Diese neue Betrachtungsweise der Filterberechnung hat verschiedene Vorteile und erlaubt es z.B. eine gegenüber Artefakten robuste Variante des CSP Algorithmus zu verfassen, Daten von zusätzlichen Versuchspersonen in den Optimierungsprozess aufzunehmen und verschiedene Arten von Stationarität zu forcieren. Die divergenzbasierte Formulierung der Filterberechnung umfasst viele CSP Varianten und erlaubt eine informationsgeometrische Interpretation dieser Algorithmen. Auch eröffnet diese Formulierung Möglichkeiten neuartige Varianten des Algorithmus unter Ausnutzung der speziellen Eigenschaften anderer Divergenzen zu entwickeln. Die Vorteile und Grenzen der verschiedenen divergenzbasierten Methoden zur Berechnung der räumlichen Filter werden in dieser Arbeit diskutiert und mit Hilfe von Simulationen und echten EEG Aufnahmen evaluiert. Der vierte wesentliche Beitrag dieser Arbeit liegt in der Herleitung eines neuen und robusten Schätzers für Kovarianzmatrizen, welcher speziell auf die Struktur von BCI Daten abgestimmt ist. Alle vorgeschlagenen Methoden werden mit diversen, dem Stand der Technik entsprechenden Verfahren verglichen und die Ergebnisse aus neurophysiologischer Perspektive interpretiert. Weiterführende Forschungsmöglichkeiten werden am Ende der Arbeit diskutiert.