Analyse von Nichtstationaritäten in EEG-Signalen zur Verbesserung der Leistung von Gehirn-Computer Schnittstellen

Ein Brain-Computer Interface (BCI, “Gehirn-Computer-Schnittstelle”) ist ein System, das neuronale Kommandos in Steuersignale umsetzt. Diese können genutzt werden, um Anwendungen wie Texteingabeprogramme, elektrische Rollstühle oder Neuroprothesen zu steuern. Ein BCI kann beispielsweise Schwerstbehinderten zur Kommunikation verhelfen, oder auch gesunden Benutzern einen zusätzlichen Kanal zur Mensch-Maschine-Interaktion bieten. Im klassischen Ansatz, der “operanten Konditionierung”, mussten Benutzer in einem wochenbis monatelangen Training ihre Gehirnstrommuster an die Wirkungsweise des Systems anpassen. Das Berliner Brain-Computer Interface (BBCI) hingegen hat ein auf dem Elektroenzephalogramm (EEG) basierendes System entwickelt, das durch den Einsatz von neuartigen Methoden des maschinellen Lernens keine Konditionierung mehr benötigt. Hierbei passen sich Klassifikatoren automatisch an die Daten an, die zwischen den Benutzern oft stark variieren. So können selbst Benutzer, die zum ersten Mal mit einem BCI arbeiten, hohe Informationstransferraten erzielen. Nach der anfänglichen Kalibrierung sind die Gehirnströme jedoch selten so stationär, dass der Klassifikator der ersten Sitzung auch später erfolgreich angewandt werden kann. Selbst bei Klassifikatoren vom gleichen Tag können manchmal längere Abschnitte auftreten, in denen die Übertragungsraten sehr niedrig sind. Durch diese Probleme wird der permanente Gebrauch des Systems beeinträchtigt, der gerade für Behinderte besonders wichtig ist. Der Grund dafür ist die Nicht-Stationarität in EEG-Signalen. Durch Veränderung der charakteristischen Eigenschaften der Daten wird die Klassifikation oft in Mitleidenschaft gezogen. In dieser Dissertation werde ich eine Theorie für die Analyse nicht-stationärer Daten entwickeln, die Methoden für die Quantifizierung und Visualisierung nicht-stationärer Prozesse beinhaltet. Anhand der Analyse von Daten aus BCI-Experimenten werde ich die Effizienz dieser Methoden veranschaulichen. Insbesondere werde ich neurophysiologische Anhaltspunkte für Quellen der Nicht-Stationarität aufzeigen. Sind die Prozesse bekannt, die der Nicht-Stationarität zugrunde liegen, kann man die Klassifikation durch Adaptation verbessern. Hierzu werde ich einige erstaunlich einfache Methoden entwickeln. Abschliessend werde ich Klassifikatoren konstruieren, die gegenüber Veränderungen von einer experimentellen Sitzung zur nächsten weitgehend robust sind. Diese neuartige Kategorie von Klassifikatoren kann ohne anfängliche Kalibrierung angewandt werden und hat daher das Potential, die tägliche Benutzbarkeit von BCI-Systemen zu ermöglichen. Obwohl ausschliesslich BCI-Daten zur Auswertung herangezogen wurden, können die Methoden auf eine Vielzahl von Problemen angewandt werden. Nicht-Stationarität kann in jedem Bereich des maschinellen Lernens auftreten, sobald sich die Eigenschaften der beobachteten Systeme zeitabhängig verändern.Brain-Computer Interface (BCI) research aims at the automatic translation of neural commands into control signals. These can then be used to control applications such as text input programs, electrical wheelchairs or neuroprostheses. A BCI system can, e.g., serve as a communication option for severely disabled patients or as an additional man-machine interaction channel for healthy users. In the classical “operant conditioning” approach, subjects had to undergo weeks or months of training to adjust their brain signals to the use of the system. The Berlin Brain-Computer Interface project (BBCI) has developed an Electroencephalogram-(EEG-)based system which overcomes the need for operant conditioning with advanced machine learning methods. By adapting classifiers to the highly subject-specific brain signals, even subjects with no prior experience in BCI can achieve high information transfer rates from their first session. However, after an initial calibration, the brain signals are rarely so stationary that the first classifier can be reused in the next experimental session. Even if the classifier was fitted to the subject on data from the same day, we sometimes encountered long periods of low performances. These drawbacks can clearly impede the continuous use of the system, which is particularly important for disabled people. The reason for this flaw is the nonstationarity in the EEG data. Due to changes in the characteristic properties of the data, classification can often be corrupted. In this work, I will present a new framework for nonstationary data analysis, which encompasses methods for the quantification and visualization of nonstationary processes. The analysis of data acquired in BCI experiments will be used to exemplify the power of the methods. In particular, I show some neurophysiological evidence for the sources of the nonstationarity. Once the underlying reasons for the nonstationarity are known, classification can be adaptively enhanced; I will present some surprisingly simple methods. Finally, I will construct classifiers that are largely robust against the changes from one experimental session to the next. This novel type of classifiers can be applied without initial calibration and has the potential to drastically improve the applicability of BCI devices for daily use. While the BCI scenario was used as a testbed for the framework, it can be applied to a wide range of problems. Nonstationarity can occur in any field of machine learning, whenever the measured systems under observation change their properties over time