Examination and Comparison of Methods to Increase Communication Speed of Paralysed Patients by Brain-Computer Interfaces

DSpace Repository


Dateien:

URI: http://nbn-resolving.de/urn:nbn:de:bsz:21-opus-54290
http://hdl.handle.net/10900/49504
Dokumentart: PhDThesis
Date: 2010
Language: English
Faculty: 7 Mathematisch-Naturwissenschaftliche Fakultät
Department: Informatik
Advisor: Rosenstiel, Wolfgang (Prof. Dr.)
Day of Oral Examination: 2010-11-03
DDC Classifikation: 004 - Data processing and computer science
Keywords: Gehirn-Computer-Schnittstelle , Myatrophische Lateralsklerose , Locked-in-Syndrom , Klassifikation , Maschinelles Lernen , Elektroencephalographie
Other Keywords: Fehlerpotenzial , Multiklassen , Magnetoencephalographie , Chronische Elektrokortikographie
Brain-computer interface , Amyotrophic lateral sclerosis , Error-related potential , Multitask classification , Chronic electrocorticography
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:

Heutige Gehirn-Computer Schnittstellen (BCIs) zur Kommunikation mit gelähmten Patienten mit amyotropher Lateralsklerose (ALS) sind noch längst nicht ausgereift. Die größte Herausforderung stellt sich in der geringen Informationstransferrate (ITR), bedingt durch die Anzahl von typischerweise zwei Klassifikationsklassen und die Fehlerrate. Diese Arbeit untersucht Lösungsansätze mit gesunden und mit ALS Patienten. Hierbei werden vor allem die Patienten unterschiedlichsten Krankheitsgrades in den Blickpunkt gerückt. Im Magnetoenzephalogramm (MEG) erreichte eine erhöhte Anzahl an Klassifikationsklassen unter Hinzunahme von kognitiven Aufgaben im Vergleich zum zwei-Klassen BCI offline eine Steigerung der ITR um 28% (bei 10 gesunden Probanden). Ein weiterer Versuch erzielte erstmals eine Steigerung der ITR um 31% (bei 17 gesunden Probanden) und 21% (bei 6 Patienten) unter Ausnutzung des sogenannten Fehlerpotentials, welches im EEG bei Auftreten eines Fehlers erkannt wurde. Schließlich wurde bei zwei komplett gelähmten Patienten mit chronisch implantierten Elektroden (ECoG) Kognitionstests durchgeführt. Die Kommunikation mit komplett gelähmten konnte zwar nicht wiederhergestellt werden, jedoch wurden bei einem Patienten Oddball Antworten in einigen Sitzungen nachgewiesen.

Abstract:

The field of brain-computer interfaces (BCIs) remains a hot research topic as these systems are not yet ready for daily use by amyotrophic lateral sclerosis (ALS) patients. The biggest challenge when employing BCIs for communication is a low information transfer rate (ITR) caused by the low number of classes and the error rate. This dissertation examines solutions with healthy subjects and ALS patients, but the main focus of this work is on the patients with their varying degrees of disability. A magnetoencephalogram (MEG) study using a larger number of classes including cognitive tasks reached an offline improvement of 28% (in 10 healthy subjects) over the two-class BCI. Automatic recognition of the error-related potential (ErrP), which is present when a user commits an error, lead to an online ITR increase of 31% (in 17 healthy subjects) and 21% (in 6 patients) in an electroencephalogram (EEG) study. For the first time, two completely locked-in (CLIS) patients with chronically implanted electrocorticogram (ECoG) electrodes participated in long-term BCI and cognition detection tests. The breathrough in BCI communication with CLIS patients was not possible, although cognition in the form of significant oddball responses was detected in some of the sessions in one patient.

This item appears in the following Collection(s)