Feature Selection for Brain-Computer Interfaces

DSpace Repository


Dateien:

URI: http://nbn-resolving.de/urn:nbn:de:bsz:21-opus-30203
http://hdl.handle.net/10900/49081
Dokumentart: PhDThesis
Date: 2007
Language: German
Faculty: 7 Mathematisch-Naturwissenschaftliche Fakultät
Department: Informatik
Advisor: Rosenstiel, Wolfgang (Prof. Dr.)
Day of Oral Examination: 2007-07-11
DDC Classifikation: 004 - Data processing and computer science
Keywords: Neurofeedback , Korrelationsanalyse , Gehirn-Computer-Schnittstelle , Support-Vektor-Maschine , Datenanalyse, Elektroencephalographie
Other Keywords: Merkmalsselektion , Magnetencephalographie , Electrocorticographie
Brain-Computer Interface , Feature Selection , EEG, Machine Learning , MEG
License: http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=de http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=en
Order a printed copy: Print-on-Demand
Show full item record

Inhaltszusammenfassung:

Ein Brain-Computer-Interface-System (BCI) bietet schwerstgelähmten Patienten eine Möglichkeit zu kommunizieren. Während sie verschiedene mentale Aufgaben ausführen, was kurzzeitig zu unterschiedlichen mentalen Zuständen führt, werden die Gehirnsignale der Patienten aufgezeichnet. Aus diesen Signalen extrahiert ein Computersystem zuerst komplexe Merkmale und übersetzt diese in einem zweiten Schritt in Kontrollsignale zur Steuerung einer Kommunikationsanwendung. Extraktion und Übersetzung der Signale werden durch z.T. lernende Algorithmen realisiert, welche für jeden Benutzer individuell angepasst werden müssen, um eine optimale Leistungsfähigkeit des BCI-Systems zu erzielen. Einer der zu optimierenden Schritte ist die Selektion einer geeigneten Menge von Merkmalen. Diese Merkmalsmenge soll eine möglichst exakte Unterscheidung der mentalen Zustände ermöglichen, durch Einblick in die Lösung das Verständnis für diesen Lösungsansatz erhöhen, den experimentellen Aufwand absenken und damit die Akzeptanz für das BCI-System bei den Benutzern erhöhen. Sieht man EEG Elektroden als Merkmale an, so ist die Auswahl einer kleineren Merkmalsmenge äußerst wünschenswert - sie verkleinert den immensen täglichen Aufwand für das Setzen der Elektroden vor dem Beginn der Kommunikation per BCI. Das Problem der Merkmalsselektion ist außerordentlich schwierig zu lösen, da optimale Merkmale sowohl zwischen Benutzern als auch zwischen Sitzungen des gleichen Benutzers variieren. Diese Doktorarbeit schlägt zur Lösung des Problems eine neue Methode für die Signalverarbeitung in BCI Systemen vor. Sie umfasst eine schnelle algorithmische Merkmalsauswahl, die mit der Signalklassifikation durch Support-Vektor- Maschinen (SVM) in eingebetteter Form kombiniert wird. Zur Evaluierung dieses neuen Ansatzes werden die Ergebnisse eigener Studien mit unterschiedlichen Signalquellen präsentiert. Sie umfassen BCI Experimente mit Messungen des Elektroezephalogramms (EEG), des Elektrokortikogramms (ECoG) und des Magnetenzephalogramms (MEG). Für die Experimente dieser Doktorarbeit wurde außerdem erstmalig ein auf motorischen Vorstellungen basierendes BCISystem mit MEG-Signalen realisiert und online getestet. Zur Validierung der neu vorgeschlagenen Methode wurde sie mit bekannten Filter- und Wrappermethoden für die Merkmalsselektion bei BCI verglichen. Die Ergebnisse zeigen, dass sich die neue Methode an die wechselnde Signalcharakteristika von Benutzern anpassen kann. Sie kann ohne neurophysiologisches Vorwissen über die zugrundeliegenden Hirnvorgänge angewendet werden und ist damit auch für neuartige mentale Aufgaben geeignet. Sie schafft es, die Anzahl der Merkmale von initial mehreren Hundert auf ungefähr 10% der Ausgangsmenge zu reduzieren, während eine hohe Klassifikationsgenauigkeit beibehalten wird. Die von der Methode ausgewählten Merkmale stimmen mit denjenigen überein, die man durch neurophysiologisches Grundlagenwissen erwarten kann - die gewählten EEG-Kanäle etwa liegen über denjenigen kortikalen Gebieten, von denen man erwartet, dass sie für die Vorstellungsaufgaben relevant sind. Für die erschwerte Aufgabenstellung der Übertragung von Merkmalsmengen von Benutzer zu Benutzer konnte gezeigt werden, dass dies mit Merkmalsmengen, die durch die neue Methode bestimmt wurden, mit nur kleinen Abstrichen in der Klassifikationsgenauigkeit möglich ist.

Abstract:

Brain-Computer Interface (BCI) systems are a means of establishing communication for severely paralyzed patients. Based on the brain activity signals during the execution of mental tasks by a user, a computer system translates those signals first into higher-level features and finally into control commands for communication interfaces. This involves a number of algorithmic steps that have to be optimized individually for each patient in order to attain high performance of the BCI. One of these steps is the choice of a suitable set of brain signal features. This set is supposed to provide good discriminability of the mental tasks, allow for introspection, simplify the experimental effort and thus increase acceptance in patients. In terms of EEG electrodes, a smaller feature set entails a reduction of the immense effort of the daily setting-up of electrodes prior to the start of an experiment. The problem of feature selection is hard to tackle as optimal features may vary between subjects and even between sessions with the same subject. This thesis proposes a new signal processing framework for BCI that incorporates a quick and fully algorithmic feature selection step combined with an SVM classification in embedded form. For the evaluation of this new methodology, the results of own online and offline studies with electroencephalogram (EEG), electrocorticogram (ECoG) and magnetoencephalogram (MEG) will be presented, including the first ever implementation of a motor-imagery BCI system in MEG. In addition, the framework has been evaluated against several existing filter and wrapper approaches for feature selection. According to these results, the new method is capable of adapting to the changing signal characteristics of BCI users, can be used without prior neurophysiological knowledge about underlying mental tasks, reduces the number of features from several hundreds to just about 10% of the original features all while remaining highly accurate in terms of classification performance. Furthermore, the results of the feature selection step prove to be plausible in terms of neurophysiology, i.e. chosen EEG channels agree well with the expected underlying cortical activity patterns during the mental tasks. Under restricted conditions, it is shown that the optimized feature sets determined by the new signal processing framework can be transferred across subjects with only a small drop in performance.

This item appears in the following Collection(s)