Maschinelles Lernen zur automatisierten Merkmalsextraktion und Klassifikation von EEG-Signalen für Gehirn-Computer-Kommunikationssysteme

电子技术中脑电图信号的研究与应用[j]。算法与滤波，人工神经网络，神经网络与分类，神经网络与分类，神经网络与神经网络，神经网络与神经网络，神经网络与神经网络。in Rahmen des AUMEX-Projekts sollen verschiedene Algorithmen des maschinellen lenenens fgr diese Aufgaben erprobt, optimiert oder new entwickelt werden, um EEG-Signale fgr in Kommunikationssystem system zu verarbeen, welches aufinem so genannten brain - computer - schnittstelle (BCI, gehhn - computer - schnittstelle) beruht。Ein解决了bci系统的问题，并指导了bci系统的研究。Mehrere internationale Forschungsgruppen介于脑电信号和夜间侵入性之间，基于bci系统的脑电图信号，以及<s:1> r患者神经网络。闭锁综合症也在mögliche Kommunikationsschnittstelle mit der auß enwelfungieren sollen。柴油锁锁病人死亡电机控制系统的durch Lähmung vollständig verloren gegangen， d.h. sie m<s:1> ssen k<e:1> nstlich beatmet werden and können night kommunizieren。Im Gegensatz zu Komapatienten verfgen sie meist aber <e:1>她摄取感官和摄取认知Fähigkeiten。(…)在此基础上，对闭锁患者进行了研究，对闭锁患者进行了研究，对闭锁患者进行了研究，对闭锁患者进行了研究，对闭锁患者进行了研究，对闭锁患者进行了研究，对闭锁患者进行了研究，对闭锁患者进行了研究。本文提出的MK-BCI算法采用了基于神经网络的信号识别方法和优化算法。本文研究了MK-BCI模型中基于个体merkmaisselection、个体Vorstellungsaufgaben和基于个体分类的分类算法，以及基于个体merkmaisselection、个体Vorstellungsaufgaben的算法。zudm soldder der Patient durt die intensive nutzit von Algorithmen des maschinellen lerens in der bisher schwierigen und langwierigen Obungsphase untersttzt werden, damit sich Zeit bis zur unabhängigen Nutzung des BCI-Systems in Pflegealltag stark verkrzt。

Die Informationsverarbeitung von EEG-Signalen in Echtzeit ist Gegenstand dieses Antrags. Algorithmen zur Filterung, Artefaktkorrektur, Merkmalsextraktion und Klassifikation müssen sehr spezifisch auf die jeweilige Anwendung angepasst sein, um den komplexen und nichtlinearen Eigenschaften der EEG-Signalen Rechnung zu tragen. Im Rahmen des AUMEX-Projekts sollen verschiedene Algorithmen des maschinellen Lernens für diese Aufgaben erprobt, optimiert oder neu entwickelt werden, um EEG-Signale für ein Kommunikationssystem zu verarbeiten, welches auf einem so genannten Brain-Computer-Interface (BCI, Gehirn-Computer-Schnittstelle) beruht. Ein solches BCI-System stellt eine direkte Verbindung zwischen Gehirn und Computer her. Mehrere internationale Forschungsgruppen arbeiten an nichtinvasiven, auf EEG-Signalen basierenden BCI-Systemen, welche für Patienten mit dem sog. Locked-In Syndrom als einzig mögliche Kommunikationsschnittstelle mit der Außenwelt fungieren sollen. Diesen Locked-In Patienten ist die motorische Kontrolle durch Lähmung vollständig verloren gegangen, d.h. sie müssen künstlich beatmet werden und können nicht kommunizieren. Im Gegensatz zu Komapatienten verfügen sie meist aber über intakte Sensorik und intakte kognitive Fähigkeiten. (...) Mit dem Ziel, die Kommunikationsfähigkeiten von Locked-in Patienten erheblich zu verbessern, sollen im Rahmen des beantragten Forschungsprojektes die Signal(vor)verarbeitungsmethoden für ein adaptives, kontinuierlich lernendes Mehrklassen-BCI (im Folgenden durch MK-BCI abgekürzt) aufgebaut werden und an Versuchspersonen und Patienten erprobt werden. Das MK-BCI soll auf neuartigen nichtlinearen Signalverarbeitungsmethoden und Optimierungsalgorithmen beruhen. Mit dem MK-BCI wird die Erweiterung der Anzahl unterscheidbarer EEG-Signalklassen von 2 auf mehr als 5 Klassen angestrebt, was durch Mechanismen wie individuelle Merkmaisselektion, individuelle Vorstellungsaufgaben und verbesserte Klassifikationsaigorithmen realisiert werden soll. Zudem soll der Patient durch die intensive Nutzung von Algorithmen des maschinellen Lernens in der bisher schwierigen und langwierigen Obungsphase unterstützt werden, damit sich die Zeit bis zur unabhängigen Nutzung des BCI-Systems im Pflegealltag stark verkürzt.