Klinische Neurophysiologie 2020; 51(03): 161-166
DOI: 10.1055/a-1135-3782
Originalia

EEG als Steuersignal: Gehirnaktivität entschlüsseln und effizient als Kommunikationsmittel für Patienten mit motorischen Defiziten nutzen

EEG as a Control Signal: Decoding of Brain Activity and its Efficient Application as Communication Channel for Patients with Motor Deficits
Christoph Reichert
1  Abteilung Verhaltensneurologie, Leibniz-Institut für Neurobiologie, Magdeburg
2  Center for Behavioral Brain Sciences (CBBS), Magdeburg
3  Forschungscampus STIMULATE, Magdeburg
,
Stefan Dürschmid
1  Abteilung Verhaltensneurologie, Leibniz-Institut für Neurobiologie, Magdeburg
4  Klinik für Neurologie, Universitätsklinikum Magdeburg
,
Hermann Hinrichs
1  Abteilung Verhaltensneurologie, Leibniz-Institut für Neurobiologie, Magdeburg
2  Center for Behavioral Brain Sciences (CBBS), Magdeburg
3  Forschungscampus STIMULATE, Magdeburg
4  Klinik für Neurologie, Universitätsklinikum Magdeburg
› Author Affiliations
Danksagung Die Arbeit wurde teilweise vom BMBF mit dem Förderkennzeichen 13GW0095D im Forschungscampus STIMULATE finanziert.

Zusammenfassung

Ziel der Studie Ereignis-korrelierte Potenziale werden in der Regel in einzelnen EEG-Kanälen ermittelt. Mit einem einzelnen Kanal wird jedoch nur ein Teil des gesamten Hirnprozesses erfasst. Für eine Gehirn-Computer Schnittstelle, die in kurzer Zeit eine Entscheidung treffen muss, ist diese singuläre Gehirnantwort häufig unzureichend wogegen die Information aus mehreren Kanälen häufig redundant ist. Beide Vorgehensweisen sind nicht optimal. Daher ist es unser Ziel, die Kanäle zu wenigen Komponenten zu kombinieren, die die relevantesten Modulationen eines Hirnprozesses erfassen.

Methodik Wir nutzen die kanonische Korrelationsanalyse, um datengetrieben räumliche Filter aus dem EEG zu bestimmen. Mit der Produkt-Moment Korrelation ermitteln wir, auf welche von 12 verschiedenen Stimulussequenzen die Studienteilnehmer geachtet haben.

Ergebnisse Die verdeckte Aufmerksamkeit der Studienteilnehmer konnte mit hoher Genauigkeit (89,3±9,2%) aus dem räumlich gefilterten EEG und signifikant besser als aus einzelnen Kanälen dekodiert werden.

Schlussfolgerung Die aus dem EEG erlernten räumlichen Filter ermöglichen die Extraktion von Komponenten, die einen event-korrelierten Gehirnprozess charakterisieren und eine Gehirn-Computer Schnittstelle effektiv steuern können, was von hoher Relevanz für Patienten ist, die nicht mehr anderweitig kommunizieren können.

Abstract

Objective Event-related potentials are commonly calculated in single EEG channels. However, a single channel reflects only a part of the whole brain process. A brain-computer interface must detect a user’s intention in short intervals and thus this sparse brain response might be insufficient while information in multiple channels might be redundant. Therefore, our aim was to combine the channels to a few components which reflect the most relevant modulations of a brain process.

Methods We applied canonical correlation analysis to determine spatial filters from EEG signals. Using an ordinary correlation measure, we decoded to which of 12 stimulus sequences the participants directed their attention.

Results The covert attention of participants was decoded i) with high accuracy (89,3±9,2%) from spatially filtered EEG signals and ii) significantly better compared to using single channel features.

Conclusions The spatial filters, learned from EEG data, permitted the extraction of components characterizing an event-related brain process. Furthermore, they could be effectively used to control a brain-computer interface, which is highly relevant for patients who have lost all other communication abilities.



Publication History

Publication Date:
23 July 2020 (online)

© Georg Thieme Verlag KG
Stuttgart · New York