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

点击翻译按钮获取中文摘要

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.