Afferent effects on brain computer interfaces: an experimental analysis

DSpace Repository


Dateien:
Aufrufstatistik

URI: http://nbn-resolving.de/urn:nbn:de:bsz:21-opus-60208
http://hdl.handle.net/10900/45944
Dokumentart: Dissertation
Date: 2011
Language: English
Faculty: 4 Medizinische Fakultät
Department: Medizin
Advisor: Birbaumer, Niels (Prof. Dr.)
Day of Oral Examination: 2011-10-13
DDC Classifikation: 610 - Medicine and health
Keywords: Schlaganfall , Gehirn-Computer-Schnittstelle , Orthese , Neurofeedback , Rehabilitation
Other Keywords: Elektrokortikographie
Electrocorticography
License: Publishing license including print on demand
Order a printed copy: Print-on-Demand
Show full item record

Inhaltszusammenfassung:

Eine Gehirn-Computer-Schnittstelle (BCI) oder Gehirn-Maschine-Schnittstelle (BMI) verwendet Gehirnsignale, um externe Gerte ohne Beteiligung des Rckenmarks und peripherer motorischer System zu steuern. In den meisten BCIs wird Gehirnaktivitt durch Verstrker aufgenommen und durch die Verwendung eines Online-Klassifizierungsalgorithmus dekodiert. Die Ausgabe davon wird dem Benutzer gezeigt und erlaubt ihm dadurch die Modulation der eigenen Gehirnaktivitt zu kontrollieren. Das Feedback besteht in der Regel aus sensorischen Reizen, z.B. visuellen, auditiven oder taktilen, die proportional zur klassifizierten Aktivitt des Gehirns variert: einer diskreten Belohnung fr eine bestimmte Reaktion des Gehirns, einer verbalen Reaktion (z. B."ja" oder "nein"), den Bewegungen einer Prothese oder eines Rollstuhls oder direkter elektrischer Stimulation von Muskeln oder Gehirn. Das auf einer Gehirnaktivitt basierende Feedback, welches ein Gert steuert, ist wahrscheinlich ein wesentlicher Bestandteil eines erfolgreichen BCIs. In meiner Arbeit konzentriere ich mich auf die Einflsse der afferenten "sensorischen" Informationen, die BCI-Leistung hervorbringen knnten. Bei auf EEG basierenden BCIs ist die verwendete Aktivitt wegen des Volumenleitungseffekts sehr verteilt, was dazu fhrt, dass afferente Information in Regionen verarbeitet wird, die fr die Klassifikation benutzt werden. Deshalb untersuche ich in meiner Doktorarbeit die Auswirkungen der sensorischen Aktivitt auf die Leistung der BCI-Klassification und auf die Feedbackmodalitt fr ein zielorientiertes BCI-System. In meinem Fall habe ich mich darauf konzentriert, BCI-Technologie mit Robotik online zu koppeln um Neurorehabilitation bei Patienten nach Schlaganfall oder mit amyotrophischer Lateralsklerose (ALS) durchzufhren .

Abstract:

A brain-computer-interface (BCI) or brain-machine-interface (BMI) uses brain signals to drive external devices without participation of the spinal and peripheral motor system. In most BCIs the users brain activity is acquired via amplifiers and filters and decoded using an on-line classification algorithm. In turn, this output is fed back to users, which allows them to modulate their brain activity. The feedback usually consists of sensory stimuli, such as visual and auditory or vibrotactile, varying proportionally to the classified brain activity, a discrete reward for a particular brain response, a verbal response (such as yes or no), the movements of a prosthesis or wheel chair, or direct electrical stimulation of muscles or brain. Thus, feedback of the consequences of the brain activity carried out to control the device is likely an essential part of a successful BCI. In my thesis I focus on the influences that afferent sensory information could elicit on the BCI performance. In EEG based BCIs the activity used is very disperse due to the volume conduction effect, making afferent information converging in areas used for classification. Indeed, in my thesis I study the effects of sensory activity on the classifier performance and on the feedback modality chosen to accomplish the goal of each BCI system. In my case I focus on the potential use of BCI technology coupled On-line with robotics to perform neurorehabilitation in stroke and amyotrophic lateral sclerosis (ALS) patients.

This item appears in the following Collection(s)