Está en la página 1de 60

Kapitel 1

Einleitung

Brain-Computer Interface Eine Schnittstelle zwischen Gehirn und Computer Jahresarbeit von Alexander Fecke Freie Waldorfschule Kleinmachnow, Klasse
Brain-Computer Interface
Eine Schnittstelle zwischen Gehirn und Computer
Jahresarbeit von Alexander Fecke
Freie Waldorfschule Kleinmachnow, Klasse 12

Seite 1

Kapitel 1
Kapitel 1
Einleitung
Einleitung
Für die besondere Unterstützung meiner Arbeit danke ich Sebastian Welke, Thorsten Zander und Christian Kothe von
Für die besondere Unterstützung meiner Arbeit danke ich
Sebastian Welke, Thorsten Zander und Christian Kothe von der TU Berlin
sowie meiner Mentorin an der FWS Kleinmachnow, Ulrike Böttger
Kapitel 1
Kapitel 1

Inhaltsverzeichnis

Einleitung

Inhaltsverzeichnis

  • 1. Brain-Computer Interface - Jahresarbeit von Alexander Fecke ........................

5

1.1

Einleitung

.........................................................................................................

5

1.2

Gliederung der Arbeit

6

  • 2. Das Gehirn

 

7

2.1

Grundlagen

7

 

2.1.1

Das Gehirn 7 ............................................................................................

2.1.2

Die Evolution des Gehirns

8

2.1.3

Ein Lageplan des Gehirns

8

2.1.4

Nervenzellen 9 .........................................................................................

2.1.5

Dendriten

9

2.1.6

Axone 9 ....................................................................................................

2.1.7

Neuronale Vernetzung

11

2.1.8

Synapsen ............................................................................................

11

2.1.9

Neurotransmitter

11

2.2

Zuständigkeiten im menschlichen Gehirn

12

 

2.2.1

Die Problematik

13

2.2.2

Motorik

13

2.3

Monitoring

14

2.3.1

Magnetresonanztomographie 14 .............................................................

2.3.2

Funktionelle Magnetresonanztomographie 14 .........................................

2.3.3

Positronen-Emissions-Tomographie

15

2.3.4

Elektroenzephalografie

15

2.4

Zusammenfassung

15

  • 3. Das Brain-Computer Interface.............................................................................16

Grundlagen

 

16

3.1

Brain-Computer Interface 16 ...............................................................................

3.1.1

Wer braucht ein Brain-Computer Interface?

16

3.1.2

Anwendungsbereiche von BCIs in der Zukunft 17 ...................................

3.1.3

Gedankenlesen 17 ...................................................................................

3.1.4

Mentales vs. motorisches BCI

18

3.1.5

Online/Offline ......................................................................................

18

3.1.6

Synchron und asynchrones BCI

18

3.1.7

Training

18

3.2

Elektrische Impulse im menschlichen Körper

19

3.2.1

Elektromyografie 20 .................................................................................

3.2.2

Elektroocculogramm

20

3.2.3

Elektroencephalografie

20

Die Ableitung

22 ........................................................................................................

3.3

Das EEG

22

3.3.1

Frequenzen 22 .........................................................................................

3.3.2

Ereigniskorrelierte Potentiale 23 ..............................................................

3.3.3

Ereignisbezogene De-/Synchronisation 24 ..............................................

3.3.4

Error related Potentials

25

Die Klassifikation 26 ..................................................................................................

3.4

Vorverarbeitung 26 ..............................................................................................

3.4.1

Der räumlich/zeitliche Filter

26

3.4.2

Der FFT-Filter

.....................................................................................

26

3.4.3

Der Laplace-Filter

27

3.5

Merkmalsextraktion 27 ........................................................................................

3.5.1

Common Spatial Patterns - CSP

27

Kapitel 1
Kapitel 1
Einleitung
Einleitung

Klassifikation

  • 3.6 ..................................................................................................

29

  • 3.6.1 Lineare Diskriminanz Analyse 29 .............................................................

  • 3.6.2 Quadratische Diskriminanz Analyse

...................................................

30

  • 3.7 Probleme der Klassifikation

...........................................................................

30

  • 3.7.1 Übertragbarkeit

...................................................................................

30

  • 3.7.2 Maximale Anzahl von Klassen

............................................................

31

  • 4. Aktuelle Forschung im Bereich des Brain-Computer Interface ..........................

32

MAIA 32 .....................................................................................................................

  • 4.1 Roboter 32 ...........................................................................................................

    • 4.1.1 FRIEND II 32 ............................................................................................

  • 4.2 Rollstühle 32 ........................................................................................................

    • 4.2.1 Rollstühle steuern

...............................................................................

33

  • 4.2.2 Rollstuhlassistenten 33 ............................................................................

  • 4.3 Prothesen 34 .......................................................................................................

    • 4.3.1 Neuroprothesen

..................................................................................

35

  • 4.3.2 DOF - Degree of Freedom 35 ..................................................................

  • 4.3.3 BCI-nutzbare Potentiale für die Prothesensteuerung

.........................

35

  • 4.4 BCI-gesteuerte Programme

...........................................................................

36

  • 4.4.1 Speller 36 .................................................................................................

  • 4.4.2 Hex-o-Spell

.........................................................................................

36

  • 4.4.3 P300 37 ....................................................................................................

Allgemeines 38 ..........................................................................................................

  • 4.5 Feedback 38 ........................................................................................................

    • 4.5.1 Visuelles Feedback

38 .............................................................................

  • 4.5.2 Auditives Feedback

38 .............................................................................

  • 4.5.3 Taktiles Feedback

...............................................................................

38

  • 4.5.4 Kombinationen 39 ....................................................................................

  • 4.5.5 Error related Potentials

.......................................................................

39

4.5.6

Fazit

....................................................................................................

39

  • 4.6 Training 40 ...........................................................................................................

    • 4.6.1 Trainingsablauf 40 ....................................................................................

    • 4.6.2 Potentiale die kein Training benötigen 40 ................................................

  • 4.7 3-Klassen Brain-Computer Interfaces mit Bewegungsvorstellung?

  • ...............

    40

    • 4.7.1 Bewegungsvorstellung 41 ........................................................................

    • 4.7.2 Steuerung ohne MI - mentales Brain-Computer Interface

    ..................

    41

    • 4.8 Ein BCI für den Alltag

    .....................................................................................

    41

    • 4.8.1 Die Anforderungen an ein Alltags-BCI

    ................................................

    41

    • 5. Meine praktische Arbeit : Ein BCI-Versuch

    ........................................................

    42

    • 5.1 Vorbereitungen 42 ...............................................................................................

    5.1.1

    EEG

    ....................................................................................................

    42

    5.1.2

    Training

    ...............................................................................................

    45

    • 5.1.3 Klassifikation - Erstellen eines Klassifikators 47 ......................................

    • 5.2 Der Versuch 47 ....................................................................................................

      • 5.2.1 Basket Paradigm 47 .................................................................................

      • 5.2.2 Der Versuchsablauf 50 .............................................................................

  • 5.3 Fazit 52 ................................................................................................................

    • 6. Auswertung

    ............................................................................................................

    53

    Das Gehirn

    • 6.1 .....................................................................................................

    53

    • 6.2 Die Brain-Computer Interaktion

    ......................................................................

    53

    • 6.3 .............................................................................................

    Die Jahresarbeit

    54

    • 7. Literaturverzeichnis

    56

    1. Brain-Computer Interface - Jahresarbeit von Alexander Fecke

    Überblick und Einleitung zur Jahresarbeit "Brain-Computer Interfaces - Schnittstellen zwischen Gehirn und Computer"

    1.1 Einleitung

    Die vorliegende Arbeit "Brain-Computer Interfaces - Schnittstellen zwischen Gehirn und Computer" ist meine Jahresarbeit in der 12. Klasse an der Freien Waldorfschule Klein- machnow.

    Ich habe mir für diese Jahresarbeit das Thema Brain-Computer Interface gesucht, weil es sich hierbei um eine recht neue und äußerst spannende Wissenschaft handelt, die wissenschaftliche Erkenntnisse aus Biologie, Mathematik und Informatik verbindet, um weiter das Gehirn zu erforschen und den Einsatz bzw. die Analyse der Fähigkeiten des Gehirns zum Ziel hat. Innerhalb der Forschung stellen sich immer wieder spannende Fragen, die nicht immer nur auf das Brain-Computer Interface beschränkt sind, son- dern durchaus auch philosophisch und ethisch von großem Interesse sind.

    Grob gesagt ist ein Brain-Computer Interface eben das, was der Name bereits illust- riert: Eine Schnittstelle zwischen Computer und Gehirn, die in gewissermaßen revoluti- onärer Methode die Steuerung eines Computers ohne den Umweg über Muskeln etc. ermöglicht. Dies ist momentan besonders im medizinischen Bereich von großer Bedeu- tung und könnte in den nächsten Jahren in einige weitere Bereiche integriert werden, nicht zuletzt in den Markt des Home-Entertainments. Schließlich war auch die Maus eine bahnbrechende Erfindung, die die Computernutzung maßgeblich revolutionierte. Die Maus ist sicher nicht zur Gänze mit einem BCI (Brain-Computer Interface) ver- gleichbar, dennoch besitzt diese junge Forschung ein Potential, die Computernutzung, bzw. die Interaktion zwischen Mensch und Maschine, erheblich zu verbessern.

    Dieser Aspekt interessierte mich an dem Thema sehr, gleichwohl ich aber auch an der Funktionsweise des menschlichen Gehirns und seinen Möglichkeiten zur Interaktion in- teressiert war. Schließlich ist Gedankenübertragung eine Idee, die schon lange die Fantasie der Menschheit beschäftigt und ebenso schöne wie auch beängstigende Aus- blicke ermöglicht.

    Aus diesen und weiteren Gründen wählte ich das Brain-Computer Interface als Thema und konnte es in der mir zur Verfügung stehenden Zeit wenigstens teilweise kennenler- nen.

    Helfend zur Seite standen mir bei der Durchführung meiner Arbeit Thorsten Zander, Sebastian Welke und Christian Kothe von der TU Berlin, sowie meine Mentorin an der Schule, Frau Ulrike Böttger.

    So war es mir möglich, an mehreren Versuchen zum BCI in der TU teilzunehmen, und einen Versuch als meine praktische Arbeit zu verwirklichen, indem ich eben jenes um- setzte, was das Thema meiner Arbeit war.

    Ich hoffe, die folgende Lektüre ist sowohl für die in der Materie Erfahreneren, als auch für Laien eine interessante, und wünsche Ihnen viel Spaß beim Erkunden meiner Ar- beit!

    Kapitel 1
    Kapitel 1
    Einleitung
    Einleitung

    1.2 Gliederung der Arbeit

    Diese Arbeit ist in 4 Hauptkapitel gegliedert, welche durch einige weitere Kapitel er- gänzt werden. In Kapitel 2 möchte ich auf das Gehirn eingehen und die Grundlagen für meine Arbeit erläutern. In Kapitel 3 lege ich die Grundlagen eines Brain-Computer In- terfaces dar, erläutere die Funktionsweise und gebe in Kapitel 4 einen Überblick über die aktuelle Forschung.

    Im Kapitel 5 beschreibe ich meine praktische Arbeit, einen Versuch an der TU, an wel- chem ich teilgenommen habe, die Kapitel (01, 06, 07) beinhalten die Einleitung, die Auswertung und das Literaturverzeichnis.

    Es ist also empfehlenswert ab und zu auch mal "quer" zu lesen, da ich die Kapitel durch einige Verweise miteinander verknüpft habe.

    2. Das Gehirn

    Wie funktioniert das Gehirn genau und was ist besonders für das Brain-Computer Inter- face relevant?

    Das Gehirn ist das komplexeste Organ des Menschen und für den Informationsverar- beitungsprozess des Menschen zuständig. Das heißt, das Gehirn vermag die Reize der Sinne aufzunehmen und darauf zu reagieren.

    Selbstverständlich handelt es sich dabei um eine recht einfache Umschreibung dessen, was das menschliche Gehirn jeden Tag leistet. Diese Leistung ist jedoch äußerst kom- plex, und lässt sich weder komplett beschreiben, noch (bisher) komplett erfassen.

    Hier möchte ich daher nur einen kurzen Überblick über die wichtigsten Fakten und die Funktionsweise des Gehirns geben, um die Funktionsweise von Brain-Computer Inter- faces darzustellen, und vielleicht auch, um zu zeigen, weshalb ein Gehirn mehr als ein Computer ist, und wieso wir mit einem Brain-Computer Interface zwar bestimmte Hand- lungsabsichten und Vorstellungen aufnehmen können, höchstwahrscheinlich aber nie technisch in der Lage sein werden, Gedanken zu lesen.

    Wie ich in der Einleitung des Kapitels bereits angeführt habe, ist es mir hier nicht mög- lich, die gesamte Funktionsweise des Gehirns ausführlich darzustellen. Ich möchte aber die Grundsätze erläutern, die als Vorwissen bestehen sollten, um auch die folgen- den Kapitel zu durchdringen.

    2.1 Grundlagen

    Hier möchte ich kurz erklären, wie das Gehirn strukturiert ist, und wie es bei anderen Tieren aussieht.

    2.1.1 Das Gehirn

    Grob gesagt handelt es sich bei dem Gehirn um eine Ansammlung von miteinander vernetzten Nervenzellen (Neuronen), die verschiedene Funktionen erfüllen. Die Ge- samtheit dieser Nervenzellen und sogenannten Gliazellen (Gliazellen beanspruchen den größten Teil der Zellen im menschlichen Gehirn, und übernehmen in erster Linie stützende und ernährende Funktionen) stellt das Gehirn dar, eine insgesamt weiß- gräuliche Masse, welche in Gehirnflüssigkeit sicher eingebettet in unserem Schädel verwahrt ist.

    Der Kontakt zur Außenwelt wird durch die Sinnesorgane hergestellt, über die afferenten (zum Gehirn hinführende) Nerven werden die Reize an unser Gehirn weitergeleitet und dort verarbeitet.

    Wir verarbeiten diese Reize und handeln nach komplexen Gedankenvorgängen oder manchmal auch rein instinktiv, indem unser Gehirn über die efferenten (vom Gehirn wegführenden) Nerven Befehle an unseren Körper erteilt, und uns die Bewegung er-

    möglicht.

    Kapitel 2
    Kapitel 2
    Das Gehirn
    Das Gehirn
    2.1.2 Die Evolution des Gehirns Das Gehirn ist ein Nervensystem, welches im Laufe der Evolution immer
    2.1.2
    Die Evolution des Gehirns
    Das Gehirn ist ein Nervensystem, welches im Laufe der Evolution immer zentraler ge-
    worden ist. Es handelt sich hier also um ein zentrales Nervensystem, im Gegensatz zu
    den dezentralen Nervensystemen, beispielsweise den Nervennetzen von Nesseltieren,
    die kein herausgebildetes Organ für die Verarbeitung der Reize haben, sondern wo
    dies an Ort und Stelle in den einzelnen Nervenzellen bzw. -verbunden passiert.
    Andere Nervensysteme, das sogenannte Strickleiternervensystem der Gliederfüßer
    beispielsweise, hat bereits zentral ausgebildete Zentren, sogenannte Ganglien, die
    durch Nervenstränge verbunden sind. Ganglien, oder auch Nervenknoten können
    durchaus als Vorläufer des Gehirns betrachtet werden, sie vereinen und spezialisieren
    bereits Nervenzellen.
    Das menschliche Gehirn ist das leistungsfähigste im Vergleich zu den Gehirnen der
    weiteren Säugetiere. Dennoch ist ist es ein gutes Stück kleiner als beispielsweise das
    Gehirn des Elefanten, woraus wir ableiten können, dass für die Leistung eines Gehirns
    nicht dessen Größe verantwortlich ist, genausowenig wie sein Gewicht.
    2.1.3
    Ein Lageplan des Gehirns
    Was liegt im Gehirn wo? ist eine Frage, die ich nicht nur in diesem Abschnitt, sondern
    immer wieder in diesem Kapitel behandeln werde. Ist eine komplette Kartographierung
    der Funktionen des Gehirns so gut wie unmöglich (vgl. 2.2.1), sind natürlich dennoch
    alle Bereiche des Gehirns bereits be-
    nannt, und auch grob nach Funktionen
    einteilbar.
    Den meisten Platz nimmt das soge-
    nannte Großhirn (auch: Endhirn, oder
    Telencephalon) ein, welches in zwei
    Hälften geteilt ist, die rechte und linke
    Hemisphäre. Verbunden sind diese
    durch den sogenannten Balken, einen
    dicken Nervenstrang. Der obere Teil
    des Großhirns wird als Cortex, bzw.
    Hirnrinde bezeichnet. Sie ist auf dem
    Großhirn stark gefurcht. Das Kleinhirn
    befindet sich dorsal unterhalb des
    Großhirns und ist der zweitgrößte ei-
    gene Bereich des Gehirns. Als Zwi-
    schenhirn beschreibt man mehrere
    Teile, die zwischen Groß- und Klein-
    hirn gelagert sind. Es handelt sich da-
    bei um Thalamus, Hypothalamus,
    Querschnitt des menschlichen Gehirns.
    Bild: http://de.wikipedia.org/
    Subthalamus und Ephitalamus. Der
    Thalamus stellt dabei den größten Teil des Zwischenhirns dar, und ist stark mit dem
    Großhirn verknüpft. Neben weiteren Funktionen stellt er die Verbindung zwischen
    Großhirn und vegetativem System her, welches insbesondere vom Hypothalamus ge-
    steuert wird.
    Eine starke Bindung an das vegetative Nervensystem des Menschen (Das vegetative
    Nervensystem steuert unbewusste Vorgänge, wie den Stoffwechsel im Körper, die das
    Gehirn nicht bewusst registrieren kann und nur bei auftretenden Störungen wahrnimmt)
    hat auch der Hirnstamm.
    Kapitel 2
    Kapitel 2
    Das Gehirn
    Das Gehirn

    Er ist der "stammesgeschichtlich älteste Teil" 1 des Gehirns, welcher aus der Pons (Brü- cke), dem Mittel- und Nachhirn besteht. Diese Teile des Gehirns steuern einzelne Be- reiche des menschlichen Körpers, die Medulla oblongata (Nachhirn) ist beispielsweise maßgeblich für die Atmung und Kontrolle des Blutkreislaufs verantwortlich.

    • 2.1.4 Nervenzellen

    Im Gehirn existieren ungefähr 100 Milliarden (10 11 ) Neuronen die miteinander vernetzt sind, und das menschliche Denken ermöglichen. Diese Nervenzellen sind über die so- genannten Synapsen miteinander verknüpft (man kann von ca. 100 Billionen (10 14 ) Vernetzungen im Gehirn ausgehen, pro Neuron also ca. 1000 Vernetzungen). An ihnen werden die Reize der Nervenzellen übertragen und gewissermaßen Neuronen ver- schaltet.

    Eine Nervenzelle besteht aus einem Zellkörper, auch Soma oder Perikaryon genannt, sowie zwei verschiedenen Fortsätzen, dem Dendrit und dem Axon. Es gibt verschiede- ne Arten von Nervenzellen, welche an verschiedenen Orten im menschlichen Gehirn zum Einsatz kommen, sie unterscheiden sich meist an Zahl und Beschaffenheit der Fortsätze. So handelt es sich beispielsweise bei multipolaren Nervenzellen um Nerven- zellen mit einer Vielzahl von Dendriten und Axonen, während die bipolaren Nervenzel- len nur ein Dendrit und ein Axon aufzuweisen haben. Bipolare Nervenzellen sind insbe- sondere in der Netzhaut und im Hörorgan aufzufinden.

    Soll eine Übermittlung von Informationen stattfinden, geschieht das anhand einer elektrischen Aktion. Die Dendriten, Empfänger der Nervenzellen, nehmen einen Reiz auf und leiten ihn an den Soma, Zellkörper weiter, wo, so der eintreffende Reiz stark genug ist, ein Aktionspotential ausgelöst wird. Das Aktionspotential ruft eine Polarisati- on des Axons, des als Sender fungierenden Teils der Nervenzellen, hervor. Durch die Polarisation verändert sich die elektrische Ladung und durch den entstehenden Impuls wird der Reiz an die Synapse weitergegeben. An der Synapse wird der Impuls dann mit Hilfe der sogenannten Neurotransmitter in einem biochemischen Prozess an die Den- driten übergeben, welcher ihn an eine weitere Nervenzelle weiterleitet.

    Die Aktivität der Neuronen in diesem Prozess wird in der Fachsprache "feuern" ge- nannt.

    Im Folgenden möchte ich den Prozess noch etwas genauer in die teilnehmenden Ak- teure aufschlüsseln.

    • 2.1.5 Dendriten

    Dendriten sind die Empfänger der Neuronen und, oftmals baumartig von der Nerven- zelle ausgehend, weit verzweigt. Sie nehmen die Signale an der postsynaptischen Membran der Synapse auf, und geben Sie an den Zellkörper weiter. Dieser ist insbe- sondere für die Versorgung des Neurons zuständig, löst aber auch über den sogenann- ten Axonenhügel das Aktionspotential für eine Reizübermittlung aus, wenn der eintref- fende Reiz eine Reizschwelle in ausreichendem Maße überschreitet.

    • 2.1.6 Axone

    Die Axonen sind, wie die Dendriten, eine Verlängerung der Nervenzelle. Von den Den- driten unterscheidet sie nur, dass sie nicht empfangen, sondern "senden". Das heißt,

    • 1 zitiert von: http://de.wikipedia.org/wiki/Gehirn#Das_menschliche_Gehirn

    Kapitel 2
    Kapitel 2
    Das Gehirn
    Das Gehirn
    Eine Nervenzelle Bild: Nicolas Rougier Dendriten Zellkern Soma Schwannsche Zelle Myelinscheide Axon Endknöpfchen
    Eine Nervenzelle
    Bild: Nicolas Rougier
    Dendriten
    Zellkern
    Soma
    Schwannsche Zelle
    Myelinscheide
    Axon
    Endknöpfchen
    Kapitel 2
    Kapitel 2
    Das Gehirn
    Das Gehirn

    durch Veränderung ihres Potentials, bzw. ihrer Ladung, stoßen die ankommenden Io- nen in der Synapse die Übertragung der Neurotransmitter an.

    Axone sind durch eine Myelinschicht geschützt, diese verbessert die Leitfähigkeit und isoliert die Axonen. Zum weiteren Schutz wird ein Axon von Schwannschen Zellen, speziellen Gliazellen, umhüllt. Die Übertragungsrate in einem Axon erreicht eine Ge- schwindikeit von 120 Meter/Sekunde, das entspricht ungefähr 400 km/h, eine ganz or- dentliche Geschwindigkeit für Informationen, die einen so kurzen Weg zurück zu legen haben.

    • 2.1.7 Neuronale Vernetzung

    Wie viele andere Prozesse im menschlichen Gehirn ist auch der Lernprozess noch lan- ge nicht zur Gänze erforscht. Man kann jedoch davon ausgehen, dass dieser dadurch zustande kommt, dass bestimmte Neuronen sich öfter verknüpfen, und auf diese Art schnellere Verbindungen bestehen. Durch oftmaliges Üben wird dieser "Schaltkreis" in der Theorie gestärkt und kann besser genutzt werden.

    Dennoch ist gerade dieser Prozess für die Wissenschaft noch sehr schwer erklärbar, da sich die Neuronen ständig neu verknüpfen und jeder Vorhersagbarkeit trotzen. Das ist auch einer der wichtigsten Faktoren, die einen Durchbruch auf dem Feld "Gedan- kenlesen" dauerhaft verhindern können. Warum ein Brain-Computer Interface dennoch funktionieren kann, möchte ich in Kapitel 3 und Abschnitt 2.2 noch zeigen.

    Ein, wie ich finde, sehr interessanter Begriff, der sich durch Forschung an dauerhaften Zuständigkeiten und der Vernetzung der Neuronen ergeben hat, ist der Begriff des "neuronalen Darwinismus". Wie der Wortlaut bereits eindrucksvoll erläutert geht es da- bei um eine Evolutionstheorie zum Gehirn, nachdem unnütze, unbenutzte Bereiche im Gehirn bei einer solchen Unternutzung zurückgebildet werden, und entweder an ande- re Aufgaben übergeben werden, oder in ihrer neuronalen Struktur stark verkümmern.

    • 2.1.8 Synapsen

    Synapsen sind die wichtigen Übermittlerstellen zwischen Dendriten und Axonen und damit für die Informationsverarbeitung eminent wichtig. Ohne die Funktionalität der Sy- napsen wäre das Gehirn nicht arbeitsfähig.

    Die Synapse kann in den prä- und postsynaptischen Teil aufgeteilt werden, der präsy- naptische Teil ist die Membran, welche an das Axon anschließt und die Botenstoffe, Neurotransmitter, an den postsynaptischen Teil, den Dendriten, weitergibt. Diese Neu- rotransmitter werden in sogenannten Vesikel, kleinen Bläschen, verpackt, und wandern durch den synaptischen Spalt zum postsynaptischen Teil, wo sie an Rezeptoren gebun- den werden und damit eine Änderung des elektrischen Potentials des Empfängers be- wirken, was wiederum als ein Signal für die Dendriten, bzw. Nervenzellen interpretiert wird.

    • 2.1.9 Neurotransmitter

    Neurotransmitter sind biochemische Stoffe, die für die Übertragung der Informationen in dem Synapsenspalt zuständig sind, indem sie von dem präsynaptischen Teil abges- toßen werden, und den postsynaptischen Teil stimulieren. Sie erfüllen damit eine äu- ßerst wichtige Funktion für das menschliche Gehirn.

    Diese Wichtigkeit wird beispielsweise bei der Parkinson-Krankheit sehr schön verdeut- licht. Bei Parkinson Patienten liegt nämlich ein Zellensterben in der Substantia Nigra (Kernkomplex im Mittelhirn) vor, jenem Bereich, der für die Produktion von Dopamin, ei-

    Kapitel 2
    Kapitel 2
    Das Gehirn
    Das Gehirn

    nem der wichtigsten Neurotransmitter, zuständig ist. Dieser Dopaminmangel führt letzt- endlich zu einer Verlangsamung in vielen Bereichen des Gehirns, bzw. einer allgemei- nen Bewegungsarmut, Zittern durch Gegenwirkungen von Muskelanspannungen und einer allgemeinen Verlangsamung der geistigen Prozesse.

    Hier werden also einige Symptome deutlich, die durch Dopaminmangel auftreten kön- nen. Behandelt werden kann diese Krankheit nur mit sogenannten L-Dopa (Vorstufe des Dopamins, welches in der Lage ist, die Blut-Hirn-Schranke zu durchqueren), also durch Ersatz-Dopamine, oder durch den Ersatz der abgestorbenen Zellen der Substan- tia Nigra durch nicht festgelegte Stammzellen, beispielsweise von abgestorbenen menschlichen Föten, was bisher nach dem Stand der Wissenschaft zwar nicht gänzlich unmöglich, aber dennoch teuer und in einigen Ländern (Deutschland) zivilrechtlich nicht möglich ist.

    Ein weiteres sehr interessantes Krankheitsbild, welches mit hoher Wahrscheinlichkeit auf eine "falsche Dosierung" von Neurotransmittern, insbesondere Dopamin, zurückzu- führen ist, ist die sogenannte "Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung. Bei AD/ HS-Patienten liegt oftmals eine zu hohe Dopamin-Ausschüttung im Bereich des Stria- tums (wichtiger Teil der Basalgangilen (Teil des Großhirns), das "einen elementaren funktionellen Stellenwert für den frontalen (exekutiven) Teil des Gehirns hat, und die das Zusammenwirken von Motivation, Emotion, Kognition und dem Bewegungsverhal-

    ten auf neuronaler Ebene realisieren 2 ") vor. Dies bewirkt eine partielle Unterfunktion in diesem Bereich. Der/die Betroffene hat Schwierigkeiten, Situationen und Emotionen richtig einzuschätzen, und reagiert oftmals "unangebracht". Amerikanische Neuropsyo- chologen bezeichnen AD/HS neuerdings auch als "Belohnungsdefizitsyndrom", die er- höhte Dopaminmenge auch im Nucleus accumbens ("Belohnungszentrum" des Ge- hirns) bewirkt ein Belohnungsdefizit. Der Betroffene "braucht" die sofortige Belohnung (dieser Vorgang ist mit Sucht zu vergleichen, der Nucleus Accumbens gilt als verant- wortlich für Süchte), und handelt dementsprechend schneller, bzw. für die schnelle Be- lohnung. Es ist ihm/ihr nicht möglich, sich auf ein, auf lange Frist nutzbringenderes Ver- halten einzulassen, da die sofortige Belohnung durch das Gehirn "gefordert" wird.

    "Sucht" ist ein gutes Stichwort für Neurotransmitter. Viele Suchtstoffe, bzw. Halluzino- gene, aber auch einfache Genussmittel wie Koffein wirken nämlich genau an dieser Stelle, indem sie die Informationsübertragung verändern. Zum Beispiel erhöht Koffein die Aktivität der Neurotransmitter, weitere Halluzinogene verändern die Wahrnehmung durch Eingreifen in den biochemischen Prozess in der Synapse.

    Curare, ein Pfeilgift der südamerikanischen Indianer wirkt auch auf die Neurotransmit- ter, bzw. den Prozess der Informationsübermittlung in der Synapse, indem es die soge- nannten Acetylcholinrezeptoren besetzt, und es so wirkungsvoll verhindert, dass das dafür bestimmte Acetylcholin die Rezeptoren erreicht. Die Folgen sind Muskellähmun- gen und daraus resultierend dann die Lähmung der Atemmuskulatur und der Tod durch Atemstillstand.

    2.2 Zuständigkeiten im menschlichen Gehirn

    Eine äußerst wichtige Frage für das Brain-Computer Interface ist die Zuständigkeit von Teilen des menschlichen Gehirns für bestimmte Aufgaben. Ich möchte kurz vorstellen, wo die Problematik liegt, und welche Bereiche des Gehirns für ein BCI von besonders hohem Interesse sind.

    • 2 zitiert von: http://de.wikipedia.org/wiki/Striatum

    Kapitel 2
    Kapitel 2
    Das Gehirn
    Das Gehirn
    2.2.1 Die Problematik In 2.1.7 bin ich bereits ansatzweise darauf eingegangen, wo die Probleme der Hirnfor-
    2.2.1
    Die Problematik
    In 2.1.7 bin ich bereits ansatzweise darauf eingegangen, wo die Probleme der Hirnfor-
    schung liegen, wenn es daran geht, eine Karte der neuronalen Aktivität zu erstellen.
    Ständig neue neuronale Vernetzung sowie die sogenannte "Plastizität" des Gehirns
    stellt Forscher vor Schwierigkeiten (vgl. 2.1.3).
    So konnte beispielsweise festgestellt werden, dass Geigenspieler, oder Menschen, die
    besonders viele Tätigkeiten mit den Fingern verrichten, einen größeren Bereich im Ge-
    hirn für die Finger reserviert haben, bzw. dass dieser Bereich mehr Neuronen benasr-
    prucht als "gewöhnlicher" Weise.
    Auch war es möglich nachzuweisen, dass Tiere oder Menschen mit geschädigten Hirn-
    funktionen weiterhin einfachere Handlungen ausführen konnten, beispielsweise war es
    einer Maus mit einem fehlenden motorischen Kortex möglich, Bewegungen auszufüh-
    ren, wenn auch wenig elegant oder gar fehlerfrei. Das Gehirn scheint also in der Lage
    zu sein, Netzwerke neu zu bilden. Auch werden Aufgaben, die nicht mehr mit einem be-
    stimmten Bereich ausgeführt werden können, scheinbar an andere Bereiche weiterge-
    geben.
    Jahrelang ist es versucht worden, nun kann wohl mit einiger Sicherheit festgestellt wer-
    den, dass eine exakte Kartographierung des Gehirns nie möglich sein wird. Dennoch
    können bestimmte Abläufe und Bereiche definiert werden, wie es bereits in diesem Ka-
    pitel durchklang. Ich möchte daher zeigen, was bereits bekannt ist, und besonders,
    was für das Brain-Computer Interface von Bedeutung ist.
    2.2.2
    Motorik
    Die Planung von Bewegungen ist für das Brain-Computer Interface von großer Bedeu-
    tung, da dieses "Potential" in vielen Brain-Computer Interfaces zur Steuerung genutzt
    wird (vgl. 4.7.1).
    Wir planen unsere abstrakten Bewegungen, wie viele kognitive Prozesse, im vorderen
    Bereich der Hirnrinde. Sie werden dann an den Motorischen Kortex "übergeben". Die-
    ser besteht aus drei verschiedenen Hauptgebieten, der Supplementär-motorischen
    Rinde (SMA), der Prämotorischen Rinde (PMA) sowie der Primär-motorischen Rinde
    (M1). Dabei dient insbesondere die SMA und die PMA der Bewegungsvorbereitung,
    Der Homunculus auf der Hirnrinde
    Bild: http://de.wikipedia.org/
    Kapitel 2
    Kapitel 2
    Das Gehirn
    Das Gehirn

    bzw. dem Zusammenstellen eines bestimmten Ablaufs einer Bewegung und der kom- plexen Planung.

    Die Primär-motorische Rinde hingegen ist wesentlich für die Ausführung der Bewegung zuständig. Auf ihm findet sich ein sogenannter "Homunculus" (künstlicher Mensch, die- se Bezeichnung rührt von der sehr alten Vorstellung her, im Hirn des Menschen sitze ein noch kleinerer Mensch, ein Homunculus, der den Menschen steuere), ein recht in- teressantes Phänomen. Es ist nämlich möglich, auf dem Primär-motorischen Kortex nachzuweisen, welche Bereiche für welche Körperteile zuständig sind. Und so ergibt es sich dann, dass sich diese in der gleichen Reihenfolge wie in unserem Körper wieder- finden. Die Proportionen sind zwar ungleich, beispielsweise ist der Bereich des Dau- mens größer oder fast genauso groß wie der des Rumpfes, eines ungleich größeren Körperteils. Dies lässt sich vermutlich durch die neuronale Plastizität (vgl. 2.2.1) erklä- ren, da der Daumen eine genauere Feinabstimmung benötigt als der Rumpf, wird hier ein größerer Bereich für ihn gebraucht. Befindet sich auf der rechten Seite der Hemi- sphäre der motorische Kortex, ist auf der linken Seite der sensorische zu finden.

    2.3 Monitoring

    Um zu Ergebnissen wie den obenstehenden zu gelangen, ist es natürlich von Nöten, das Gehirn nicht nur im sezierten, sondern auch im aktiven Zustand bei der Arbeit zu betrachten. Dabei ist es besonders wichtig zu erkennen, wo und zu welchem Zeitpunkt Aktivität nachzuweisen ist. Damit lassen sich dann nämlich Rückschlüsse auf Zustän- digkeiten ziehen und im speziellen Falle auch ein BCI steuern.

    Ich möchte die wichtigsten Methoden dafür hier darstellen.

    • 2.3.1 Magnetresonanztomographie

    Bei der Magnetresonanztomographie (abekürzt MRI, auch Kernspintomographie) han- delt es sich um ein Verfahren, weches mit Hilfe eines starken Magnetfeldes menschli- ches Gewebe (auch Hirngewebe) mit einer hohen Auflösung darstellbar macht. Dabei können unterschiedliche Gewebetypen erkannt werden.

    • 2.3.2 funktionelle Magnetresonanztomographie

    Wichtiger als die MRI ist für das Brain-Computer Interface die fMRI, die funktionelle Magnetresonanztomographie. Mit dieser ist es nämlich möglich, die Stoffwechselvor- gänge im Gehirn aufzuzeichnen, also darstellbar zu machen, wo das Gehirn aktiv ist. Dabei wird die sogenannte BOLD-Technik (BOLD steht für Blood Oxygen Level Depen- dency) genutzt. Mit ihr ist es möglich, die Sauerstoffkonzentration im Blut nachzuwei- sen, und zu vergleichen. Ist ein Bereich im Gehirn aktiv, benötigt dieser eine höhere Blutkonzentration mit einem höheren Sauerstoffgehalt. Diese Veränderung kann durch das Magnetfeld erfasst werden, und bietet ein recht hoch auflösendes und damit ge- naues Bild der Gehirnaktivität.

    Diese Methode bietet den großen Vorteil, dass die Aktivität bis in einen recht kleinen Bereich gut nachgewiesen werden kann, sie ist also für die Forschung von höchstem Interesse. Doch leider ist ein solcher Scan nicht online ausführbar (vgl. 3.1.5), das heißt die Daten sind nur in der Auswertung nutzbar, und für ein anwendbares BCI leider kaum von Interesse.

    Kapitel 2
    Kapitel 2
    Das Gehirn
    Das Gehirn
    Die Methode fMRI ist aber weiterhin von höchstem Interesse, da sie die Methode ist, die dem
    Die Methode fMRI ist aber weiterhin von höchstem Interesse, da sie die Methode ist,
    die dem "Gedankenlesen" am Nähesten kommt. Dass diese Utopie dennoch wahr-
    scheinlich nie wirklich möglich sein wird, verhindern schon die technischen Möglichkei-
    ten. Für eine Online-Erkennung würde eine ungeheure Rechenleistung benötigt, auch
    ist die Größe der Voxel, Cluster in denen das Gehirn bei der fMRI gescannt wird, nicht
    unendlich verringerbar.
    2.3.3
    Positronen-Emissions-Tomographie
    Bei der Positronen-Emissions-Tomographie, kurz PET wird der Testperson eine leicht
    radionuklid markierte Substanz verabreicht (meist per Injektion). Die Radionuklide ge-
    ben Positronen ab, die bei Zusammentreffen mit den Elektronen des Körpers Photonen
    in entgegengesetzte Richtungen verschicken, welche vom PET-Gerät registriert wer-
    den können. Das Gerät kann damit die Position der Positronen feststellen, und ein
    Schnittbild des Gehirns erstellen. Die Auflösung ist jedoch relativ gering, und die Me-
    thode wird vorrangig in der Medizin verwendet.
    2.3.4
    Elektroenzephalografie
    Mit der Elektroenzephalografie kommen wir in einen Bereich, der für das Brain-Compu-
    ter Interface von größtem Interesse ist. Die genaue Funktionsweise beschreibe ich im
    Kapitel 3, in welchem ich mich dem Brain-Computer Interface allgemein widmen möch-
    te. Um einen kurzen Abriss zu geben: Das Elektroenzephalogramm (EEG - encepha-
    lon: Gehirn, gráphein: schreiben) ist ein Verfahren, welches ein Bild der Aktivität des
    Gehirns mit Hilfe der Elektrizität ermöglicht.
    Ein EEG-Signal mit einer Dauer von einer Sekunde Bild: http://de.wikipedia.org/
    Wie ich in 2.1.4 bis 2.1.8 bereits beschrieben habe, funktioniert die Übermittlung der In-
    formationen im Gehirn mit Hilfe von elektrischen Entladungen in den Axonen. Nun kön-
    nen diese Entladungen registriert werden und aus den Daten kann ein Bild, bzw eine
    Kurve erstellt werden, die über die Aktivität des Gehirns in verschiedenen Bereichen et-
    was aussagt. Um ein EEG abzunehmen wird der Testperson ein Kappe mit mehreren
    Elektroden aufgesetzt, welche die kortikale elektrische Aktivität registrieren.
    2.4 Zusammenfassung
    Ich habe in diesem Kapitel versucht, einen Überblick über das komplexeste Organ des
    Menschen zu geben. Dieser Überblick ist eine wichtige Grundlage für das Verständnis
    der nachfolgenden Kapitel, in denen ich erklären möchte, was ein Brain-Computer In-
    terface genau ist, wie es funktioniert und was für Anwendungen denkbar und bereits
    evaluiert worden sind.

    3. Das Brain-Computer Interface

    Wie funktioniert ein Brain-Computer Interface? Ein Kapitel zu den Grundlagen der Technik im Bereich der Interaktion zwischen Gehirn und Computer.

    Ich möchte in diesem Kapitel anreißen wie Brain-Computer Interfaces rein technisch funktionieren.

    Selbstverständlich kann ich dieses Thema hier nicht vollständig bearbeiten, möchte aber einen Überblick über die Grundlagen, Anwendbarkeit und einen Ausblick in die Zukunft geben, bevor ich im nächsten Kapitel die akutelle BCI-Forschung beschreibe.

    Grundlagen

    3.1 Brain-Computer Interface

    Ein Brain-Computer Interface ist, wie der Name bereits sagt, eine Schnittstelle zwi- schen Gehirn und Computer, die es uns ermöglicht einen Computer zu steuern, ohne dabei unsere Extremitäten einsetzen zu müssen. Da mittlerweile der Großteil aller tech- nischer Geräte mit einem Computer gesteuert wird, oder gesteuert werden kann, stellt das System BCI eine wichtige neue Interaktionsmöglichkeit mit dem Computer dar.

    Das Forschungsgebiet BCI ist noch recht jung, daher handelt es sich auch bei bisher realisierten Brain-Computer Interfaces um eher fehlerhafte Systeme. Wo da die Proble- me liegen wird sich in diesem Kapitel noch herausstellen.

    3.1.1 Wer braucht ein Brain-Computer Interface?

    BCIs sind nicht nur als Forschungsobjekt, um über unser Gehirn immer mehr zu erfah- ren, von großem Interesse für die Wissenschaft, sondern sie können auch konkreten Nutzen in der Medizin bringen.

    Unterschiedliche Krankheitsbilder erfordern geradezu eine weitere Kommunikationsme- thode, beispielsweise das sogenannte "Locked-In-Syndrom". Es handelt sich dabei um eine Krankheit, bei der durch eine Verletzung, bzw. Läsion des Pons, die Fähigkeit die Muskeln zu bewegen komplett verloren gegangen ist. Die Patienten haben dadurch keinerlei Möglichkeit zur Kommunikation mit ihrer Umwelt, gleichwohl sie bei vollem Bewusstsein sind. Durch sogenannte Speller (vgl. 4.2.4) können Locked-In-Patienten kommunizieren, indem sie den Bildschirm als Ausgabe für gewünschten Text nutzen können.

    Körperbehinderten Menschen oder Menschen mit fehlenden Extremitäten stehen hier sogar ganz neue Möglichkeiten offen. Eine besondere Form der Querschnittslähmung, die sogenannte Tetraplegie, bewirkt eine komplette Lähmung der vier Gliedmaßen. Pa- tienten mit dieser Krankheit sind dementsprechend absolut auf die Hilfe Anderer ange- wiesen. Abhilfe schaffen könnten hier Rollstühle und Hilfsroboter, die durch ein Brain- Computer Interface gesteuert werden können (vgl. Kapitel 4).

    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Bei Rollstuhl und Hilfsroboter handelt es sich dann um eine einfache Navigationssoft- ware, oder einer Software, die verschiedene Möglichkeiten offeriert, und mit einem Ge- hirn-gesteuerten Cursor bedient wird. Im Falle der Prothesen wird es allerdings noch spannender. Denn hier könnte der, mehr oder weniger, bewusste Teil des Gehirns prak- tisch umgangen werden und eine Prothese anhand der Bewegungsanweisungen des Gehirns gesteuert werden. Bisher sind Prothesen (vgl. 4.3) noch recht rudimentär zu steuern, die Befehle für die Bewegung werden den verbliebenen Nerven entnommen. Das ist weder einfach noch chirurgisch einfach und erfordert einen hohen Aufwand. Eine BCI-Prothese könnte aber am Ursprung der Bewegung ansetzen und eine intuiti- ve Steuerung eines unechten Arms erlauben, die beinahe an die Steuerung eines ech- ten Arms heranreicht.

    Diese verschiedenen Anwendungen spiegeln das große mögliche Einsatzgebiet des BCIs nur unzulänglich dar, im Kapitel 4 habe ich mich mit der aktuellen Forschung in diesem Bereich beschäftigt, dort finden sich noch weitere Möglichkeiten zum Einsatz eines Brain-Computer Interfaces.

    3.1.2 Anwendungsbereiche von BCIs in der Zukunft

    Was sich mit BCIs in der Zukunft noch realisieren lassen wird, ist bisher reine Spekula- tion. Auf jeden Fall werden die bisherigen Einsatzgebiete (vgl. Kapitel 4) weiter er- forscht und auf ein höheres Niveau gebracht werden, sodass es in einiger Zeit möglich sein dürfte, Prothesen in annähernd gleicher Weise wie natürliche Extremitäten zu be- nutzen.

    Außerdem ist das Brain-Computer Interface natürlich eine interessante Alternative zu Mulitmedia-Applikationen und Eingabegeräten allgemein. Mit der Wii (der Spielekonso- le von Nintendo, die durch eine Art Fernbedienung Bewegungen des Nutzers erfordert) wurde bereits gezeigt, dass alternative Eingabegeräte große Chancen auf dem Markt für sich entdecken können, ein einfaches BCI könnte vielleicht auch für die Gaming- Szene eine lohnende Ergänzung sein. Selbstverständlich besteht für den Massenmarkt weder eine ausreichend hohe Robustheit der Software, noch dürfte es finanziell loh- nend sein, da der EEG-Verstärker recht viel kostet.

    Die Hirnforschung ist aber auf jeden Fall nicht nur aus Sicht der Wissenschaft, sondern auch aus Sicht der Werbung (Stichwort Neuromarketing!) ein interessantes Gebiet, in welchem in den nächsten Jahrzehnten große Fortschritte erzielt werden dürften.

    Mit einigen Funktionen des menschlichen Gehirns lassen sich die Beziehungen in Mensch-Maschine-Systemen wesentlich verbessern. Beispielsweise ist die Nutzung von Error related Potentials eine Möglichkeit, die Fehlerrate in einem solchen Mensch- Maschine-System zu verringern, BCIs werden uns in der Zukunft also sicher nicht un- wesentlich begleiten.

    3.1.3 Gedankenlesen

    Für ein Brain-Computer Interface ist diese Utopie eigentlich kaum von Interesse, den- noch mischt in der Forschung ständig ein ethischer Faktor mit, da wir hier in kaum er- forschtes Gebiet eindringen, und versuchen unser Gehirn zu verstehen, von dem jeder Mensch möchte, dass das Seine sein Eigen bleibt. Das Gehirn ist definitiv (wie übri- gens schon im vorigen Kapitel festgestellt) das wichtigste Organ des Menschen und könnte es jemals möglich sein, die Gedanken eines Menschen zu lesen, würde sich dies mit einiger Sicherheit fatal auf unser Selbstverständnis auswirken.

    Diese Utopie ist allerdings, wie schon in Kapitel 2 festgestellt, aufgrund technischer Hürden, die nicht überwindbar scheinen, bereits auszuschließen. Die unendlich geringe

    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Größe der Neuronen erfordert eine sehr hohe Auflösung, die physikalisch nicht möglich ist. Die ständig neuen Verknüpfungen machen es uns unmöglich, Rückschlüsse auf komplexe Gedankengänge etc. zu ziehen. Denn unser Gehirn ist keine Maschine, die man mit einem "Code" knacken könnte, sondern ein Organismus, der lebt und sich ver- ändert.

    • 3.1.4 Mentales vs. motorisches BCI

    In der Forschung zum Brain-Computer Interface unterscheidet man zwischen menta- lem und motorischem BCI, also praktisch zwei verschiedenen Arten des BCIs. Ich habe mich in dieser Arbeit vorrangig mit dem motorischen BCI beschäftigt, bin aber in eini- gen Gebieten auch in den Bereich des mentalen Brain-Computer Interfaces vorgesto- ßen.

    Ein motorisches Brain-Computer Interface zeichnet sich durch die bewusste Steuerung des BCIs aus, beispielsweise durch Bewegungsvorstellung. Ein mentales Brain-Com- puter Interface hingegen sollte nach Möglichkeit auf den Bewusstseinszustand des Nutzers reagieren, also praktisch mehr oder weniger mental unbewusst gesteuert wer- den. In diesem Gebiet sind die evozierten Potentiale (vgl. 3.3.2) von größerer Bedeu- tung, die beispielsweise genutzt werden, um das reflexhafte Erkennen eines Fehlers in einem Mensch-Maschine-Verhältnis zu nutzen und zum Vorteil anzuwenden. Auch der P300 Speller basiert auf einem mentalen Brain-Computer Interface.

    • 3.1.5 Online/Offline

    Das BCI bietet eine Möglichkeit zur Interaktion, die nur richtig ausgenutzt werden kann, wenn die Daten in Echtzeit gerechnet und Klassen zugeordnet werden können. Das ideale BCI sollte also online sein und damit auf die "Eingaben" des Nutzers möglichst in Echtzeit reagieren, da Gegenteiliges (vgl. 5.2.2, 4.8.1) die Motivation des Nutzers wesentlich sinken lässt und überhaupt sinnvolle Interaktion ausschließt.

    Offline wäre ein BCI also gar kein echtes BCI mehr, dennoch ist es natürlich möglich, die EEG-Daten nur zur Analyse aufzunehmen und im Nachhinein dann auszuwerten.

    • 3.1.6 Synchron und asynchrones BCI

    Es lässt sich zwischen synchronem und asynchronem Brain-Computer Interface unter- scheiden. Hier handelt es sich bei dem Ideal, dem asynchronem BCI, um ein Brain- Computer Interface, welches unter Alltagsbedingungen eingesetzt werden kann, also nur bei Bedarf durch den Nutzer bedient wird und ansonsten inaktiv ist. Dies ist bei ei- nem synchronem Brain-Computer Interface nicht der Fall, es ist dort die ganze Zeit in Aktion, eine Tatsache, die bildlich gesprochen einen Rollstuhlfahrer beim Überqueren der Straße ins Schwitzen kommen lassen könnte.

    • 3.1.7 Training

    Für das BCI ist es weiterhin von hohem Interesse, auch wenn es einen längeren Pro- zess darstellt, der für die Versuchsperson nicht gerade angenehm ist: Das Training.

    Die Trainingsphase im Ablauf einer BCI-Nutzung ist aus zwei Gründen besonders wich- tig. Der erste ist, dass der Nutzer des BCIs lernen muss, die Bandpower seines EEGs zu verändern, indem er sich beispielsweise eine Bewegung seiner rechten oder linken Hand vorstellt, wie ich es in Kapitel 5 beschreibe.

    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Der zweite Grund ist, dass der Computer lernen muss, diese Bewegungen zu erkennen und eine Aktion dazu auszuführen, bzw. es muss ein personenspezifischer Klassifikator gebildet werden, der möglichst robust und mit einer möglichst geringen Fehlerquote ar- beitet. Dieser Klassifikator wird aus den Trainingsdaten gewonnen, bei denen der Ver- suchsperson in sogenannten Trials eine Aktion vorgegeben wird, die er sich dann vor- zustellen hat, und die im Prozess der Klassifikation dann aus den Daten zeitlich he- rausgefiltert und für die Klassifikation genutzt werden kann. Ein Trial ist ein "getrigger- tes" Zeitintervall der EEG-Daten. Es wird dann aus den EEG-Daten herausgefiltert und als Trial bezeichnet.

    Das Training ist also sehr wichtig für das Brain-Computer Interface, auch wenn sich verschiedene Probleme gezeigt haben, die im Kapitel 5 am praktischen Beispiel auch noch deutlicher werden.

    Eine vorgestellte Bewegung der Hand (beispielsweise der Faustschluss oder soge- nanntes "Finger-tapping", wiederholtes Tippen des Daumens gegen den kleinen Fin- ger) ruft eine recht hohe mentale Belastung hervor und ist nicht nur ermüdend, sondern gar nicht so einfach vorstellbar. Die Tatsache, dass dies noch vollkommen ohne Feed- back passieren muss, verkompliziert diesen Prozess noch zusätzlich, da der Person die Richtigkeit der vorgestellten Bewegung nicht präsentiert werden kann.

    Auch ist es nicht möglich, von Mustern der ausgeführten Bewegungen auf Muster der vorgestellten Bewegungen zu schließen, diese sind unterschiedlich und dementspre- chend nicht mit dem gleichen Klassifikator erfassbar. Ein Training für den Computer "al- lein" ist also nicht möglich, die Trainingsphase wird immer einige Zeit erfordern.

    Bedauerlicherweise musste festgestellt werden, dass Patienten mit einer Bewegungs- behinderung (die potentiell interessantesten Patienten für das BCI!) größere Schwierig- keiten in der Trainingsphase hatten, da die Bewegungsvorstellung durch die fehlende Möglichkeit, die Bewegung tatsächlich auszuführen, erschwert wurde [Vanhooydonck et.al.]. Das Training dauert so länger und ist wesentlich aufwändiger. Dieses Problem lässt sich möglicherweise auf den "neuronalen Darwininsmus" zurückführen, wie im Kapitel 2 beschrieben. Nach den Regeln Darwins "verlernen" Neuronen durch Inaktivi- tät ihre Bestimmung und werden unter Umständen für andere Aktionen benutzt. Die Vorstellung würde jedenfalls zumindest wesentlich erschwert.

    Ein Bild, welches sich nicht nur bei bewegungsbehinderten Menschen auftat, sondern generell bei Menschen, die von außerhalb des Labors kamen.

    Diese waren nämlich nicht auf die Gegebenheiten eingestimmt. Die Aufgabe war we- sentlich schwieriger zu erfassen, da die Hintergründe nicht bekannt waren, und die Da- ten waren wesentlich schlechter als bei den Forschern. Bisher konnte dies noch nicht ausreichend in einer größeren Feldstudie mit vielen "Neulingen" evaluiert werden. Es sieht jedoch so aus, als müssten die aktuellen Annahmen hinsichtlich der Übertragbar- keit und Ähnlichkeit der Daten verschiedener Personen korrigiert werden.

    3.2 Elektrische Impulse im menschlichen Körper

    Der menschliche Körper wird durch unsere Nerven gesteuert, die, wie wir bereits im Kapitel 2 gesehen haben, Informationen über elektrische Impulse übertragen. Diese elektrischen Impulse lassen sich messen und bilden die Grundlage für ein Brain-Com- puter Interface.

    Hier schildere ich die verschiedenen Methoden zur Messung der elektromuskulären und -kortikalen Aktivität.

    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    • 3.2.1 Elektromyografie

    Die Elektromyografie (EMG) ist eine Technik, die es erlaubt die elektrische Aktivität der Muskeln zu messen. Dies geschieht mit Hilfe von Elektroden, die auf der Oberfläche der Haut, bzw. der Muskeln aufgelegt werden und das elektrische Potential der Mus- keln ermitteln (In der Medizin werden Nadelelektroden benutzt, da für die medizinische Analyse oftmals eine höhere Auflösung vonnöten ist).

    Die Elektromyografie ist für das Brain-Computer Interface eher von indirekter Bedeu- tung, da es oftmals genutzt wird, um Vorstellungen zu trainieren oder Programme zu evaluieren. Ein Programm für ein Brain-Computer Interface könnte zum Beispiel zuerst anhand eines EMGs getestet werden, da hier eine richtige Klassifikationsrate von ca. 98 % vorliegt und Fehler des Probanden fürs Erste ausgeschlossen werden können.

    Außerdem kann mit dem EMG festgestellt werden, ob die Versuchsperson auch nicht "geschummelt" hat, bzw. sich sonstwie bewegt hat.

    In meinem praktischen Versuch habe ich versucht, meine Trainingseinheiten mit Hilfe des EMGs zu verbessern (vgl. 5.2.3).

    • 3.2.2 Elektroocculogramm

    Die Daten der EEG-Trials werden leider recht oft durch Artefakte von Muskelbewegun- gen gestört, das heißt verändert. Um dennoch akzeptable Ergebnisse zu erhalten und der Versuchsperson nicht allzu strenge Auflagen hinsichtlich der Bewegungen der Mus- keln machen zu müssen, wird bei vielen Versuchen zusätzlich zum EEG und ggf. dem EMG auch das EOG abgenommen, welches die Bewegung der Augenmuskeln auf- zeichnet.

    Wird für ein Trial eine Muskelbewegung durch das EMG oder EOG festgestellt, kann diese entweder aus den Daten herausgerechnet werden oder die entsprechenden Da- ten werden nicht in den Klassifikationsprozess einbezogen, um einen möglichst robus- ten sauberen Klassifikator programmieren zu können.

    • 3.2.3 Elektroencephalografie

    Im Kapitel 2 habe ich es bereits angeschnitten, das EEG, bzw. Elektroencephalogramm ist eine Monitoring-Technik für die Gehirnaktivität, welches auf Elektroden basiert, die das elektrische Potential auf dem Kortex ermitteln.

    Dieses ist messbar, da sich die elektrischen postsynaptischen Potentiale der Dendriten der Neuronen knapp unter der Oberfläche des Kortex summieren.

    Bei der Abnahme des EEG handelt es sich um ein System von bis zu 100 Elektroden, die auf dem Kortex mit Hilfe einer Elektrodenkappe befestigt werden. Diese wird zwi- schen Nasion und Inion (also Nasenbein und hinterstem Vorsprung des Hinterhaupt- beins) befestigt, sodass die Elektroden an einer jeweils in Relation zur Größe des je- weiligen Kopfes gleichen Stelle ansitzen. Diese Einteilung beruht auf einem internatio- nal gültigen System, dem sogenannten 10-20 System. Es schreibt auch die Namen der Elektrodenpositionen vor, die den gesamten Kortex abdecken. Besonders relevant sind diese jedoch auf dem Scheitelpunkt des Kopfes, sowie im okzipitalen und frontalen Be- reich der Hirnrinde.

    Hier wird bereits deutlich, was "Gedankenlesen" so unmöglich macht. Diese verhältnis- mäßig plumpen Elektroden können nur ein ungenaues Durcheinander von Millionen feuernder Neuronen aufnehmen, und sind nur in geringem Maße zu einer Differenzie- rung fähig.

    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Abbildung 3.2.1: Elektroden zur Abnahme des EEGs am Kortex Um dieses Problem wenigstens teilweise zu umgehen
    Abbildung 3.2.1: Elektroden zur Abnahme des EEGs am Kortex
    Um dieses Problem wenigstens teilweise zu umgehen und um mehr als nur den Kortex
    aufnehmen zu können, gibt es auch invasive Elektroden, die also im Gehirn einge-
    pflanzt werden. Das ist aber natürlich ein recht heikles Feld und auch nur sinnvoll,
    wenn es sich bei den Patienten beispielsweise um Menschen mit dem Locked-In-Syn-
    drom handelt, für die in dem BCI die einzige Möglichkeit zur Kommunikation liegt. Im-
    plantierte Elektroden können also natürlich bessere Ergebnisse liefern, sind aber an-
    sonsten eine denkbar wenig praktikable Lösung.
    Abbildung 3.2.2: Elektrodenkappe in der Vorbereitung
    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Die Elektrodenkappe ist also für die Befestigung der Elektroden zuständig. Um den Kontakt zu verbessern, wird ein Gel an die Elektrode gespritzt und die Leitfähigkeit da- mit verbessert. Die Signale des EEGs gehen an den Verstärker (manche spezielle Elektrodenkappen besitzen bereits winzige Verstärker in den Befestigungen für die Elektroden und können damit dann anzeigen, ob die Impedanz einer Elektrode niedrig genug ist), der der teuerste Teil der Ausrüstung für ein Brain-Computer Interface ist. Dieser verstärkt die Signale und gibt sie an den Computer weiter, der für die Analyse zuständig ist. Eine weitere Elektrode wird als Referenz (vgl. Abb. 5.1.1) auf der Nase befestigt.

    Die Ableitung

    Im Brain-Computer Interface ist die Ableitung des EEGs, welches ich im vorigen Absatz bereits angeschnitten habe, von ausschlaggebender Bedeutung. Ich möchte hier einige technische Details sowie die Grundlagen für die Klassifikation erläutern.

    3.3 Das EEG

    Für das Brain-Computer Interface ist das EEG als Monitoring-Methode das Mittel der Wahl, da es recht einfach abzunehmen ist und relativ gut interpretierbare Ergebnisse in Echtzeit bietet. Wie das aber genau funktioniert, möchte ich hier darstellen.

    3.3.1 Frequenzen

    EEG-Rohdaten werden in einem aufwändigen Verfahren klassifiziert (vgl. 3.4), die da- vor durch verschiedene Merkmale bereits geteilt werden. Dabei sind zwei wichtige Fak- toren, die überhaupt erst die Unterscheidbarkeit verschiedener Muster ausmachen, die Frequenz und die Amplitude der Wellen. Das heißt, die Zahl der Schwingungen (Hertz, abgekürzt hz steht für die Anzahl der Schwingungen pro Sekunde) und die maximale Amplitude der Wellen (gemessen in µV, Mikrovolt) sind von ausschlaggebender Bedeu- tung, denn schließlich definieren sie erst die EEG-Wellen. Dabei können verschiedene Frequenzen herausgefiltert werden (vgl. 3.3.1), die gemeinhin unterschiedlichen Be- wusstseinszuständen zugeordnet werden und die sogenannte Hauptfrequenzbänder des EEG darstellen.

    • Frequenz- Frequenz- Amplituden-

    Region des

    Bewusstseinszustand

    band

    bereich

    bereich in µV

    stärksten Auftretens

    Delta

    0.5 - 4

    20 - 200

    variabel

    tiefer Schlaf

    Theta

    5 - 7

    5

    - 100

    frontal, temporal

    Übergang zum Schlaf

    Alpha

    8 - 13

    5

    - 100

    okzipital, parietal

    wach, entspannt, Augen geschlossen

    Beta

    14 - 30

    2 - 20

    präzentral, frontal

    wach, Aktiviertheit

    Abbildung 3.3.1: Hauptfrequenzbänder des EEGs nach Schandry, 1998

    Für ein Brain-Computer Interface, welches durch Bewegungsvorstellung gesteuert wird, ist besonders das Alpha-Band von Bedeutung sowie die my-Rythmen, welche Tei- le der Alpha-Wellen sind und sich zwischen My 1 und My 2 unterscheiden lassen. My 1 tritt im unteren Alpha-Bereich auf (8-10 Hz), My 2 im oberen Alpha-Band (10-13 Hz).

    Die verschiedenen Frequenzbänder weisen unterschiedliche, charakteristische Merk- male auf. Delta-Wellen beispielsweise, welche im Schlaf auftreten, haben eine sehr

    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Abbildung 3.3.2: Delta (oben) und Beta-Wellen mit einer Aufnahmedauer von einer Se- kunde im Vergleich Bild:
    Abbildung 3.3.2: Delta (oben) und Beta-Wellen mit einer Aufnahmedauer von einer Se-
    kunde im Vergleich
    Bild: http://de.wikipedia.org
    hohe und gleichmäßige Amplitude. Die Frequenzbänder lassen sich allerdings noch
    nicht zu 100 Prozent einem Bewusstseinszustand zuordnen, auch wenn sie grob gültig
    sein dürften.
    Neben den Delta, Theta, Alpha und Beta-Wellen existieren noch die Gamma-Wellen
    (im Gesamtbereich von 30 - 70 hz) sowie die SCPs. Gamma-Wellen treten bei starker
    Konzentration auf, ihre Funktion ist aber noch nicht erschöpfend erforscht. Frequenz-
    bänder über dem Bereich der Gamma-Wellen sind bisher noch nicht in größerem Maße
    erforscht, bzw. bekannt.
    SCP ist die Abkürzung für "Slow Cortical Potentials", Potentiale, die normalerweise
    nicht im EEG gemessen, bzw. aus den Daten herausgefiltert werden. Sie finden in ei-
    nem Bereich von 100 - 200 µV statt, sind also sehr groß, und haben eine sehr lange
    Dauer (teilweise mehrere Sekunden). Sie treten in unterschiedlicher Form (Beispiels-
    weise als "Schlafspindel" in der NREM-Schlafphase) auf, sind aber für ein Brain-Com-
    puter Interface von untergeordneter Bedeutung.
    3.3.2 Ereigniskorrelierte Potentiale
    Ereigniskorrelierte Potentiale (abgekürzt EKP oder auch ERP im Englischen) sind ge-
    mittelte Muster in den EEG-Wellen, die entweder evoziert sind (also hervorgerufen
    Abbildung 3.3.3: EKP der Elektrode Cz über einen Zeitraum von 3 Sekunden
    Abbildung 3.3.4: Kurve eines einzelnen Trials über 3 Sekunden
    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Abbildung 3.3.5: Schematische Zeichnung der EKP Bild: http://wikipedia.org durch Wahrnehmungen der Sinne, etc.), oder während der
    Abbildung 3.3.5: Schematische Zeichnung der EKP Bild: http://wikipedia.org
    durch Wahrnehmungen der Sinne, etc.), oder während der Informationsverarbeitung
    auftreten.
    Bei der Verarbeitung von Reizen, bzw. bei kognitiven Prozessen treten im Verlauf der
    EEG-Wellen typische Muster auf, die in Abb. 3.3.5 schematisch dargestellt sind.
    N100 tritt ca. 100ms nach der Präsentation des Stimulus auf (also beispielsweise einer
    Handlungsanweisung), und findet seinen Ursprung in der Enkodierung des Stimulus,
    während die Potentiale P200, N200 und P300 für die Speicherung und Verarbeitung
    der Informationen zuständig sind. Besonders die Bedeutung des Potentials P300 darf
    nicht unterschätzt werden. Mit dem sogenannten "P300-Speller" konnte eine recht an-
    nehmbare Schreibgeschwindigkeit erreicht werden (Bis zu 5 Buchstaben/Minute), in-
    dem der Nutzer sich in einer Matrix mit zufälligen Buchstaben auf den gewünschten
    Buchstaben konzentriert und dessen Vorkommen zählt.
    Es wird davon ausgegangen, dass diese Potentiale festgelegten neuronalen Strukturen
    entsprechen, die für die Prozesse (Enkodierung, Speicherung, etc.) aufgerufen werden
    und dementsprechend immer einen ähnlichen Verlauf der EEG-Wellen erzeugen. Das
    entspräche im Groben der These, dass der Lernprozess des menschlichen Gehirns auf
    neuronalen "Verschaltungen" basiert (vgl. 2.1.7).
    Weitere interessante Potentiale stellen die VEPs (Visual Evoked Potentials) dar. Es ist
    beispielsweise möglich, anhand der Blinkfrequenz ein Symbol/Buchstabe aus einer
    Matrix auszuwählen, da die Frequenz spezielle räumlich-zeitliche Muster im EEG her-
    vorruft. Das ist aber nur bei nicht-sehbehinderten Menschen, bzw. Menschen mit voller
    Kontrolle über die Augenmuskulatur möglich.
    3.3.3 Ereignisbezogene De-/Synchronisation
    Die Ereignisbezogene Desynchronisation (ERD) ist eine kurz dauernde Abnahme der
    Amplitude und der Bandpower der EEG-Wellen. Die Neuronen im entsprechenden Are-
    al beginnen weniger synchron zu arbeiten.
    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Sie tritt sowohl bei visuellen Reizen auf, als auch kurz vor der Bewegungsausführung und während der
    Sie tritt sowohl bei visuellen Reizen auf, als auch kurz vor der Bewegungsausführung
    und während der Planung der Bewegung über dem entsprechenden Gebiet im Motor-
    cortex. Sie kann als eine erhöhte neuronale Aktivität, bzw. Informationsverarbeitung ge-
    deutet werden und ist somit für die Detektion von Bewegungsvorstellung in einem BCI
    von größerer Bedeutung.
    Die ERS, Ereignisbezogene Synchronisation ist entsprechend das Gegenteil, eine
    kurzdauernde Zunahme der Amplituden und Bandpower, und deutet auf eine verringer-
    te Erregbarkeit der entsprechenden Neuronen hin. Dass diese Synchronisation auch
    problematisch sein kann, wenn die Synchronisation nicht aus der Klassifikation heraus-
    gefiltert werden kann, habe ich in Kapitel 5 beschrieben,
    Abb. 3.3.6: ERD für die Elektroden C4 bis CP4
    Um die ERD/ERS berechnen zu können, werden die Trials, die durch sog. Trigger
    (oder auch Auslöser) markiert sind, gefenstert, bzw. zeitlich gewählt für die entspre-
    chende Frequenz gefiltert (hier kommt ein sogenannter Bandpass-Filter zum Einsatz),
    quadriert und über die erhobene, bzw. eine beliebige (selbstverständlich je mehr, desto
    besser) Menge der Trials gemittelt. Daraus ergibt sich dann eine ERD-Kurve, die in ei-
    ner Zeit-Frequenzdarstellung noch besser visualisiert werden kann (vgl. Abb. 3.3.2).
    3.3.4 Error related Potentials
    Bei Error related Potentials, also Fehler bezogenen Potentialen, handelt es sich um Po-
    tentiale, die im ACC (Anterior Cingulate Cortex) auftreten. Dieser Bereich des Kortex ist
    eine Art Frühwarnsystem, welches bei Sinnesreizen, die Gefährdung oder Fehlerpoten-
    tial beinhalten könnten, sofort reagiert und der Person so die Möglichkeit gibt, schnell
    auf eine falsche Entscheidung und/oder eine Gefährdung zu reagieren.
    Diese Entscheidung wird durch die Verhaltensänderung bewusst, und das Potential
    also nicht immer optimal ausgenutzt. Um in einem Ablauf in einem Mensch-Maschine-
    System Fehlerpotentiale zu reduzieren, wäre es also eine durchaus interessante Mög-
    lichkeit, das Frühwarnsystem des menschlichen Gehirns über das EEG zu nutzen und
    z.B. Notfallmaßnahmen einzuleiten.
    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Es gibt zwei verschiedene Arten von error related potentials, das sogenannte "respon- se Error Potential", welches bei Fehlern auftritt, die der Nutzer durchführt und sich bei der Durchführung ihrer bewusst wird, und das sogenannte "feedback Error Potential", welches bei der Präsentation eines fehlerhaften Stimulus auftritt.

    Die Klassifikation

    In der Klassifikation der Roh-Daten des EEG kann von dem Vorwissen ausgegangen werden, welche jedem Trial eine spezifische Bedeutung, bzw. Aktion zuordnet. Wurde also, wie in meinem Versuch, das EEG für eine Bewegungsvorstellung aufgenommen, und wurde im Training der Versuchsperson jeweils eine Vorstellungsanweisung gege- ben, so kann dementsprechend jedes Trial einer Klasse zugeordnet werden.

    Durch die Merkmalsextraktion geschieht eine Selektion der relevanten Merkmale, die für die Klasse bestimmend sind und in einer Verteilung über mehrere Elektroden abge- bildet werden. Dies ist ein Prozess, in dem die Rohdaten durch Vorwissen, beispiels- weise anhand des existenten Wissens über die Ereignsbezogene Desynchronisation, von äußerlichen Merkmalen (Schließen der linken Faust, Schließen der rechten Faust), auf EEG-Muster angewendet werden können.

    Im letzten Schritt des Prozesses wird die Klassifikation, bzw. die Unterscheidung vorge- nommen, in der die Verteilungen den Klassen zugeordnet werden.

    Daraus wird dann ein Klassifikator programmiert, der auch online die EEG-Daten mög- lichst robust, d.h. fehlerfrei klassifizieren soll.

    3.4 Vorverarbeitung

    Zum Ablauf der Klassifkation gehören drei wesentliche Hauptkomponenten, die Vorver- arbeitung, die Merkmalsextraktion und die Klassifikation. In der Vorverarbeitung werden die Roh-Daten der Trials für die folgende Merkmalsextraktion optimiert, bzw. entspre- chend gefiltert. Dafür gibt es verschiedene Filter, die ich hier vorstellen möchte.

    • 3.4.1 Der räumlich/zeitliche Filter

    Bei Trials handelt es sich um getriggerte zeitliche Teilbereiche (vgl. 3.1.7) der EEG-Da- ten, grundsätzlich ist also der relevante Zeitraum bereits markiert. Nun muss dieser auf den Zeitraum des entsprechenden ERD/ERS reduziert werden, welches ja bereits vor der Bewegungsausführung und somit während der Bewegungsvorstellung auftritt.

    Um nicht nur den richtigen Zeitraum, sondern auch die für die motorische Vorstellung zuständigen Areale herauszufiltern, ist außerdem noch ein räumlicher Filter zu nutzen, der die Klassifkation durch die Gewichtung der entsprechenden Elektroden spezifiziert.

    • 3.4.2 Der FFT-Filter

    Der FFT-Filter, bzw. die Fast Fourier Transformation dient zur Bestimmung der haupt- sächlichen Anteile einer Frequenz und/oder Amplitude in einem Signal, welches die Überlagerung einer Grundschwingung darstellt. Die Fast Fourier Transformation ist eine Spezialform der Diskreten Fourier Transformation.

    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Durch einen FFT-Filter können also die relevanten Frequenzen gewählt werden, bzw. können die EEG-Signale von einer Zeitomäne in eine Frequenzdomäne transformiert werden

    • 3.4.3 Der Laplace-Filter

    Ein Problem der EEG-Ableitung besteht darin, dass sowohl elektrische Signale von Muskelbewegungen mit aufgenommen werden können, aber auch durch die Leitfähig- keit der Kopfhaut Signale von anderen Orten als dem installierten aufgenommen wer- den können. Außerdem gibt es Muster, bzw. ein gewisses elektrisches Bereitschaftspo- tential, welches global auf dem Kortex vorhanden ist. Um diese Faktoren aus den EEG-Daten herauszurechnen, werden für den Laplace-Fil- ter die Werte von vier (schwacher Filter) oder acht (starker Filter) benachbarten Elektroden summiert, durch vier geteilt und von der jeweiligen Elektrode abgezogen. Die entsprechende Formel, beispielsweise für die Elektrode C4 lautet:

    C4 Lap = C 4 1/4 * (FC4 + C2 + CP4 + C6) 1 Es wurden also die vier umgebenden Elektroden gewählt und von der Elektrode subtra- hiert. Dadurch ergeben sich für die Elektrode C4 (im Beispiel beschrieben) bessere lo- kale Werte, da die globalen Signale durch eine entsprechende Mittelung der Werte der umgebenden bestmöglich herausgefiltert wurden. Dieser Laplacian Filter wird entspre- chend für jede Elektrode verwandt.

    3.5 Merkmalsextraktion

    In der Merkmalsextraktion werden, wie der Name schon erklärt, die Merkmale der ein- zelnen Klassen extrahiert. Jede Merkmalsextraktion erfordert verschiedene Charak- teristika, die so gewählt werden sollten, dass sie der gewünschten Klassifikation ent- sprechen. Bei einer EEG-Abnahme von 30 Elektroden mit einer Auflösung von 2 Hz in dem Frequenzband von 8 - 30 Hz ergeben sich Merkmals(bzw. Feature-)vektoren mit 660 Dimensionen, da dies die Anzahl der Elektroden mal des Frequenzbandes geteilt durch die Auflösung ist. Um nun aus diesem multidimensionalen Raum die relevanten Merkmale herauszufiltern, wird die Merkmalsextraktion eingesetzt.

    Die Merkmalsextraktion ist also ein Verfahren, welches aus einer Vielzahl von Daten, bzw. Dimensionen der Daten, bzw. Merkmalen, wiederum Merkmale extrahiert. Es han- delt sich also praktisch um eine Art Unterkategorie von Merkmalen, die extrahiert wer- den. Gleichzeitig können aber auch neue erstellt werden, beispielsweise durch eine Mittelung der einzelnen Kanäle.

    Für die Merkmalsextraktion gibt es verschiedene Verfahren, ich möchte jedoch nur auf das Wichtigste von ihnen eingehen: Common Spatial Patterns.

    • 3.5.1 Common Spatial Patterns - CSP

    Common Spatial Patterns reduzieren, vereinfacht gesagt, die Dimensionen der Daten. Sie werden insbesondere auf die Ereignisbezogene Desynchronisation angewendet, da hier die Verursacher der Muster recht klar erforscht sind.

    Dabei ist das Ziel, für eine Klasse eine möglichst hohe Varianz und für die andere Klas- se eine möglichst niedrige Varianz zu erreichen, während die Varianz der beiden Klas-

    • 1 aus "Definition und Realisierung einer 3-Klassen-Steuerung in der Brain-Computer Interac- tion, Diplomarbeit von Sebastian Welke, 2007

    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    sen gemeinsam gleich bleibt. Also beispielsweise als Varianz der Klasse 1 (+1), für Klasse 2 (-1)
    sen gemeinsam gleich bleibt. Also beispielsweise als Varianz der Klasse 1 (+1), für
    Klasse 2 (-1) und für beide Klassen (0). Varianz bezeichnet das gemittelte Maß der Dif-
    ferenz der einzelnen Werte vom Mittelwert der Wertemenge. Diese Zielsetzung lässt
    sich auch als lineares Optimierungsproblem bezeichnen.
    Um es zu lösen, wird vorerst ein Bandpass-Filter auf die Roh-Daten angewendet, der
    die relevanten Frequenzen für die erwünschte Aufgabe herausfiltert. Handelt es sich
    dabei um die Bewegungsvorstellung, ist dies die Alpha- bzw. my-Frequenz.
    Dannach wird die folgende Formel angewendet, die das oben beschriebene lineare
    Optimierungsproblem lösen soll:
    Abbildung 3.5.1: var() bezeichnet die Varianz, während w der Filter ist, welcher das li-
    neare Optimierungsproblem lösen, und für Klasse 1 eine möglichst hohe Varianz erge-
    ben soll.
    Der entsprechende Vektor für die zweite Klasse unterschiede sich darin, dass für w
    nicht die maximale, sondern die geringste Größe gesucht werden sollte.
    Abbildung 3.5.2: Merkmalsverteilungen die durch zwei CSP-Patterns gebildet wurden.
    Bild: Definition und Realisierung einer 3-Klassen-Steuerung
    in der Brain-Computer Interaction, Diplomarbeit von Sebastian Welke, 2007
    Es wird in diesem Verfahren nach einem Vektor w gesucht, der für jede Elektrode ein
    Gewicht erhält. Die Gewichtung wird mit der entsprechenden Elektrode multipliziert, um
    einen neuen Kanal zu projizieren, der wiederum mit der Kovarianzmatrix der Kanäle
    multipliziert wird, sodass das Ergebnis die Varianz entlang w ergibt.
    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Eine Kovarianzmatrix ist in diesem Falle die Matrix, die die Zusammenhänge der Elektroden zueinander wiedergibt und
    Eine Kovarianzmatrix ist in diesem Falle die Matrix, die die Zusammenhänge der
    Elektroden zueinander wiedergibt und beispielsweise (in Bezug auf oben genannte
    Ausgangsposition) aus der Größe von [30x30] bestünde.
    Das Ergebnis dieser mathematischen Transformationen wären dann Muster, die wie
    folgt aussehen:
    Abbildung 3.6.1: Beispielbild mit 6 CSP Patterns
    3.6 Klassifikation
    In der Klassifkation wird, und das ist die hauptsächliche Bedeutung in diesem Teil der
    gesamten Klassifkation, eine Hyperebene errechnet, welche die beiden Klassen mög-
    lichst diskriminativ unterscheidet. (Eigentlich ist dies ein pleonasmós, bedeutet diskrimi-
    nativ doch unterscheidbar)
    Ich möchte hier insbesondere auf die Lineare Diskriminanz Analyse eingehen, weil sie
    mit den Common Spatial Patterns gemeinsam genutzt werden kann.
    3.6.1 Lineare Diskriminanz Analyse
    Die Lineare Diskriminanz Analyse, abgekürzt LDA, trennt die durch die Merkmals-
    extraktion extrahierten Klassen durch eine Hyperebene unter der Annahme, dass sie
    einen gleichsinnigen linearen Zusammenhang besitzen. Als Beispiel für eine Klassifzie-
    rung anhand der Linearen Diskriminanz Analyse:
    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    Abbildung 3.6.1: Hyperebene w trennt in diesem Plot Klasse 1 und Klasse 2. Bild: s. 1
    Abbildung 3.6.1: Hyperebene w trennt in diesem Plot Klasse 1 und Klasse 2.
    Bild: s. 1
    3.6.2
    Quadratische Diskriminanz Analyse
    Bei der Anwendung der Quadratischen Diskriminanz Analyse wird nicht wie in der Line-
    aren Diskrimanz Analyse angenommen, dass die beiden Klassen einen linear gleich-
    sinnigen Zusammenhang aufweisen, sondern es werden auch mögliche weitere Vertei-
    lungen in die Klassifizierung einbezogen. Das verdeutlicht Abbildung 3.6.2, in welcher
    die Quadratische Diskriminanz Analyse im Vergleich zur Linearen dargestellt wird.
    Abbildung 3.6.2: LDA und QDA im Vergleich
    Bild: s. 1
    3.7 Probleme der Klassifikation
    Bisher sind Brain-Computer Interfaces zwar schon einsatzfähig, wie mein Versuch (vgl.
    Kapitel 5) beweist, allerdings liegen noch einige große Probleme vor, die größtenteils
    entweder durch Fehler oder durch mathematische Schwierigkeiten in der Klassifikation
    verursacht werden.
    3.7.1
    Übertragbarkeit
    Ein großes Problem des Brain-Computer Interface ist, dass EEG-Muster beispielsweise
    für eine gleiche Bewegungsvorstellung bei verschiedenen Menschen differenziert auf-
    treten. Daher ist ein Brain-Computer Interface niemals einfach übertragbar, es ist im-
    1
    aus "Definition und Realisierung einer 3-Klassen-Steuerung in der Brain-Computer Interac-
    tion, Diplomarbeit von Sebastian Welke, 2007
    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    mer ein maschinelles Lernen erforderlich, welches dem Computer angewöhnt, spezifi- sche Muster zu erkennen und auszudrücken.

    Dabei tritt die Schwierigkeit auf, dass echte Bewegungen nicht mit vorgestellten Bewe- gungen in den EEG-Mustern, bzw. der ERD/ERS, verglichen werden können. Dass er- fordert die Bewegungsvorstellung als Vorlage für das Training des Brain-Computer In- terfaces, ein Prozedere, das alles andere als angenehm ist und für komplexe BCIs auch entsprechend länger als in meinem Versuch beschrieben, dauert.

    Ein weiteres Problem in der Übertragbarkeit der BCI-Systeme liegt darin, dass die Sys- teme meist für körperbehinderte Personen gemacht sind - deren EEG-Muster für Be- wegungsvorstellungen aber von denen der Menschen ohne Körperbehinderung signifi- kant abweichen. In den zu den entsprechenden behinderten Körperteilen analogen Arealen im Gehirn bilden sich nämlich die Neuronenverbände für diese spezifische Funktion zurück, die Bewegungsvorstellung für einen Menschen, der seit 15 Jahren ohne Arme lebt ist wesentlich schwieriger, als für einen Menschen, dem beide Arme noch erhalten sind. Ein recht ähnliches Problem kann übrigens betrachtet werden, schaut man sich die Evaluation von ähnlichen wie in Kapitel 5 beschriebenen BCI-Ver- suchen in größerer Menge an, wird man recht schnell zu dem Ergebnis kommen, dass die meisten Daten kaum vergleichbar sind, denn sie wurden erhoben bei Menschen, die mit der Thematik und den Anforderungen bestens vertraut waren. In einem entspre- chenden Versuch in der TU, in welchen relativ zufällig verschiedene Menschen einbe- zogen wurden, konnte aufgezeigt werden, dass eine große Wahrscheinlichkeit besteht, dass geringe Klassfikationsfehler nur in bestimmten Gruppen von Menschen vorkom- men könnten.

    Die Übertragbarkeit von BCI-Systemen ist also eine große Frage, für die es bisher im Wesentlichen zwei verschiedene Lösungsansätze gibt. Einerseits ist es nämlich mög- lich, Potentiale des EEGs bzw. des Gehirns für die Steuerung von BCI-Systemen zu nutzen, die sozusagen eingebaut und in jedem EEG auftauchen (beispielsweise P300 oder VEPs), andererseits ist es natürlich möglich, eine Klassifikationsmethode aufzu- bauen, die universell ist (wie die vorgestellte) und somit alle Eventualitäten abdecken kann.

    Meiner Ansicht nach wird die Forschung eher in die zweite Richtung gehen, P300 bei- spielsweise bietet nicht genug Potential, um in einem BCI für alle mögliche Formen von Behinderungen universell eingesetzt zu werden, auch sind die Möglichkeiten eines P300-BCIs eher beschränkt.

    3.7.2 Maximale Anzahl von Klassen

    Bei der Definition des idealen Brain-Computer Interfaces sollte die Frage gestellt wer- den, wie viele Klassen maximal anzuwenden sinnvoll wäre.

    Denn ist die Anzahl der Klassen zu gering, können nur rudimentäre, oder Handlungs- abläufe die eine mehrfache Selektion erforden (vgl. Hex-o-spell) ausgeführt werden. Dies ist bei zwei Klassen eigentlich bereits der Fall, auch wenn sich durch eine intelli- gente Kombination von möglichen Selektionen eine durchaus komplexere Anwendung erstellen ließe.

    Auf der anderen Seite ist eine zu hohe Anzahl von Klassen aus zwei wesentlichen Gründen nicht unbedingt zu wählen. Der erste ist die rein mathematische Schwierig- keit, mehr als drei Klassen zu klassifizieren [Welke et.al.], der zweite ist der sogenann- te "mental overload", also die Problematik, die sich dem Nutzer stellt, soll er sich mehr als zwei, drei, oder vielleicht sogar vier verschiedene Bewegungen zu dem jeweils an- gebrachten Zeitpunkt und in der richtigen Art und Weise vorstellen. Ich kann durch den in Kapitel 5 beschriebenen Versuch berichten, dass bereits zwei verschiedene Bewe-

    Kapitel 3
    Kapitel 3

    Das Brain-Computer Interface

    gungsvorstellungen ein hohes Maß an Konzentration erfordern, vier würden uns mental so stark belasten, dass der Vorteil gegenüber einem Selektionsverfahren mit zwei ver- schiedenen Klassen wesentlich sinken würde.

    Ich gehe also eher davon aus, dass in Zukunft, um die genannten Probleme zu redu- zieren, noch mehr im Bereich Feedback getan wird, und maximal 3-4 Klassen für die Klassifikation genutzt werden.

    4. Aktuelle Forschung im Bereich des Brain-Computer Interface

    Ein Überblick über die aktuelle Forschung im Bereich Brain-Computer Interfaces, ver- deutlicht am europäischen Projekt MAIA

    MAIA

    MAIA ist ein europaweiter Zusammenschluss von Forschern zum Brain Computer Inter- face. Ziel dieser Forschergruppe ist es, einen Roboter, bzw. eine Maschine durch ein nicht-invasives Brain Computer Interface in Echtzeit zu steuern.

    Ich möchte hier einen kleinen Überblick über die Forschung in diesem Bereich, speziell anhand des MAIA-Projektes, darstellen und erläutern.

    • 4.1 Roboter

    Roboter können für Menschen, die verletzungs- oder krankheitsbedingt Gliedmaßen oder den gesamten Körper nicht bewegen können, einen Ersatz darstellen. Sie können einfache, aber auch komplexere Aufgaben für den Nutzer übernehmen, und ihr/ihm das Leben erleichtern. Ich möchte hier das Forschungsprojekt "FRIEND II" vorstellen, um einen Einblick in diesen Bereich zu gewährleisten.

    4.1.1 FRIEND II

    Der Roboter FRIEND II ist ein Rehabilitations-Roboter [Lüth et. al.]. Er ist mit einem Roboterarm ausgestattet, welcher durch Distanzsensoren sowie einer Kamera mit der Umwelt interagieren kann. Diese Interaktion kann auf zwei verschiedenen Leveln auf- bauen, sowohl einem sehr abstrakten, oder auch auf einer exakten Handlungsanwei- sung.

    Will die Person beispielsweise aus einem Becher etwas Wasser trinken, dass in einer Flasche daneben bereitsteht, ist der Arm für diese exakte Aufgabe zuständig. Um eine Interaktion mit dem System möglich zu machen, und bei inkorrekt ablaufenden Hand- lungen des Roboters eingreifen zu können, wurde in das System ein Brain-Computer Interface integriert.

    Damit ist es dem Nutzer dann möglich, im Bedarfsfalle, wenn das Glas beispielsweise umkippt, oder der Standpunkt des Glases nicht richtig erkannt wurde, korrigierend ein- zugreifen.

    • 4.2 Rollstühle

    Rollstühle sind ein wichtiges Anwendungsgebiet für das Brain Computer Interface, da sie für viele Menschen, beispielsweise mit dem sogenannten Locked-In Syndrom (vgl. 3.1.1), eine gewisse Unabhängigkeit von ihrer Außenwelt garantieren können. Dabei stellen sich unterschiedliche Probleme. So ist zum Beispiel ein nur vom Menschen ge- steuerter Rollstuhl unter Umständen nicht sehr sicher. Um eine sichere Führung durch

    Kapitel 4
    Kapitel 4

    Aktuelle BCI-Forschung

    den Raum zu ermöglichen, ist es unerlässlich ein robustes BCI mit einer gleichfalls ro- busten Klassifikationsmethode aufzubauen.

    • 4.2.1 Rollstühle steuern

    Für die Rollstuhlsteuerung braucht es mindestens drei verschiedene Inputs, um eine sinnvolle Steuerung im Raum zu ermöglichen. Mit den Eingabemodi Fahren/Stoppen, Rechts und Links ließe sich ein Rollstuhl bereits ausreichend steuern, und auch kom- plexere Aufgaben wie das Umfahren eines Gegenstandes werden möglich. Es empfielt sich für die Ausführung dieser Aufgabe also ein 3-Klassen Brain Computer Interface, basierend auf Motor Imagery (vgl. 3.1.4), also vorgestellten Bewegungen der Extremi- täten.

    Eine solche 3-Klassen Steuerung hat eine Forschergruppe aus Großbritannien [Geng et.al.] im Jahr 2007 realisiert. Es handelt sich dabei um ein System, welches primär zwischen zwei Modi entscheidet, dem NC (No Control) und IC (In Control) Mode. Mit diesem Controller soll Fehlerpotential eliminiert werden, indem eine Unterscheidung zwischen AN und AUS geschieht.

    Mit Hilfe dieser drei Klassen kann der Rollstuhl dann, etwas schwerfällig zwar, aber trotzdem recht flexibel gesteuert werden. Die Klassifikation erfolgt dabei durch drei "one-vs-rest"- LDA (vgl. 3.1.6) - Klassifikatoren.

    • 4.2.2 Rollstuhlassistenten

    Um das Fahren mit einem BCI-gesteuerten Rollstuhl so sicher und einfach als möglich zu gestalten, wurden verschiedene Assistenten entwickelt, die, gemeinsam mit Senso- ren wie z.B. Distanzmessern, die Fahrt sicher geleiten. Wie solche Systeme aussehen können zeigt beispielsweise der Rollstuhl Sharioto der Katholischen Universität Leu- ven, Belgien [Vanhooydonek et.al.], welcher mit verschiedenen Sensoren zur Messung von Distanzen ausgerüstet ist, wie beispielsweise Infrarot und Ultraschall. Diese Sen- soren interagieren mit einem Assistenten, der dem BCI-Nutzer helfend zur Seite steht. Dabei handelt es sich um eine sogenannte geteillte Kontrolle. Der Assistent zur Steue- rung des Rollstuhls kombiniert die Informationen der Sensoren mit den Eingaben des Nutzers, um den sichersten Weg für den Rollstuhl mit seinem Fahrer zu finden und Hindernisse zu vermeiden [Vanhooydonck et.al. 2 ].

    Dabei können allerdings verschiedene Probleme auftreten, so ist es bei dieser Metho- de oftmals nötig, einen Modus operandi festzulegen, beispielsweise "Flur", "Tisch", etc. was mit den beschränkten Fähigkeiten der Nutzer auf verschiedenen Bereichen kolli- diert. Weiterhin ist dieses System kaum übertragbar und wenig auf den individuellen Benutzer eingestellt. Um dieses Problem zu umgehen, wurde eine Software zur "adap- table user intention estimation" entwickelt, für die persönliche Profile festgelegt werden. Mit dieser Software wäre es also möglich, den Assistenten an persönliche Fähigkeiten und Fahrerfahrung des Nutzers anzupassen und zu individualisieren. Die teilweise be- schränkten Fähigkeiten des Benutzers können sich auch dahingehend zeigen, dass ihm bestimmte Bewegungen des Rollstuhls nicht möglich wären. Diese Unfähigkeit zu beheben, hat sich eine weitere belgische Forschergruppe [Hüntemann et.al.] zur Aufga- be gemacht.

    Basierend auf dem Bayesschen Wahrscheinlichkeitsbegriff (dieser unterscheidet sich von gängigen Wahrscheinlichkeitstheorien in erster Linie dadurch, dass er es möglich macht, auch unzufällige Konstanten zu berechnen) werden hier während des Fahrens die machbaren Pläne des Nutzers zu allen Absichten des Nutzers berechnet. Um eine bestimmte Position in einer gewissen Geschwindigkeit zu erreichen, konstruiert der Be-

    Kapitel 4
    Kapitel 4

    Aktuelle BCI-Forschung

    nutzer einen Fahrtweg. Dieser wird mit dem Bayesschen Wahrscheinlichkeitsbegriff ständig neu auf Wahrscheinlichkeit berechnet. Derjenige Plan mit der höchsten Wahr- scheinlichkeit (MAP) wird für die sicherste Navigation gehalten, berücksichtigend der spezifischen Unfähigkeiten des Fahrers und dann in Fahrverhalten umgesetzt. Bei möglicherweise auftretenden Unvereinbarkeiten zwischen den Eingaben des Fahreres und der MAP wird in Echtzeit der Kontrollgrad berechnet, der dem Nutzer verliehen werden kann, und in einem Abwägungsprozess aufgelöst wird.

    Durch diese Studie konnte gezeigt werden, dass es möglich ist, mit neuen Techniken auch Bereiche zu erkunden, die eingeschränkten Benutzern verschlossen waren, und es möglich ist, durch intelligente Controller und geteilte Kontrolle eine sichere Fahrwei- se zu gewährleisten.

    Auch im Bereich des Feedbacks konnten Fortschritte erzielt werden, es handelt sich hier um eine Problematik, die im gesamten Bereich des Brain Computer Interfaces auf- tritt (vgl. 4.5). Bei Rollstühlen stellt sich die Problematik, dass der Nutzer nur durch indi- rektes und zeitlich verzögertes Feedback über die Gewohnheiten und Entscheidungen des assistierenden Systems informiert wird. Das heißt, bei der Steuerung eines Roll- stuhls kann der Fahrer nur durch die Bewegung folgern, welche Entscheidungen der Controller zusätzlich getroffen hat, und auch diese treffen oftmals verzögert ein, da die Geschwindigkeit eines solchen Rollstuhls generell äußerst gering ist.

    Um diese Problematik zu lösen, entwickelte eine belgische Gruppe um G. Vanacker 2007 ein Force-Feedback Joystick (als Force Feedback wird eine Technik verwendet, die insbesondere bei Eingabegeräten für Computerspiele zur Anwendung kommt, die Rückmeldung wird bei einem solchen Gerät haptisch, also z.B. durch Vibrieren er- bracht), welcher zusätzlich zum visuellen Feedback haptische Rückmeldungen über eine gemeinsame virtuelle Umgebung sowohl für Nutzer als auch Computer ermöglicht. Die Resultate dieser Studie bewiesen, dass ein solches Feedback-Gerät das Fahrerle- ben verbessern kann.

    4.3 Prothesen

    Herkömmliche Prothesen, die nicht nur kosmetische Funktionen erfüllen sollen, sind ein unkomfortabler und mit einer recht hohen Fehlerrate arbeitender Ersatz. Um Arm- bewegungen und auch Greifen zu ermöglichen, sind diese Prothesen an den Arm- stumpf oder an die Schulter angepasst, und bewegen sich zu Bewegungen der Schul- ter/Armstumpf entsprechend. Der sogenannte Sauerbruch-Arm ist eine vom Chirurgen Sauerbruch entwickelte Prothese, die einen Kanal erfordert, der in den verbliebenen Armstumpf die Einführung eines Bolzens ermöglicht, welcher wiederum die Bewegun- gen der Muskulatur auf die Prothese überträgt, bzw. an verbliebenen Nervenenden an- setzt.

    Diese Lösungen sind alles andere als ideal, sie sehen weder besonders gut aus, noch funktionieren sie perfekt, und lassen sich nicht gut kontrollieren. Sie bieten also einen äußerst geringen Ersatz für einen echten Arm oder eine echte Hand.

    Auch bei SCI (Spinal Cord Injury - Rückenmarkverletzung) kann zu einem Verlust der motorischen Fähigkeiten führen. Eine Lösung ist auch hier nur zu erzielen, wenn noch eine Funktion des Ellbogens oder der Schulter erhalten geblieben ist.

    Diesen Misstand kann die Forschung im Bereich des Brain Computer Interfaces zwar noch nicht völlig beheben, aber schon weit voranbringen, indem die Befehle für die Be- wegung der Prothese daher genommen werden, wo sie herkommen: aus dem Gehirn.

    Kapitel 4
    Kapitel 4

    Aktuelle BCI-Forschung

    • 4.3.1 Neuroprothesen

    Eine italienische Forschergruppe [P. Dario, et.al.] beschäftigte sich seit einigen Jahren intensiv mit Prothesen in Verbindung mit dem Brain Computer Interface. In die Entwick- lung dieser Prothesen spielt die Bionik herein, der Versuch, eine möglichst reali- tätstreue, menschenähnliche Hand zu konstruieren. Bei der Hand der Gruppe um Dario handelt es sich beispielsweise um eine dreifingrige Hand, die durch 4 Motoren bedient wird. Für jeden Finger, bzw. das Krümmen der Finger ist ein Motor zuständig, ein vier- ter für das Abspreizen des Daumens, um präzisere Griffe zu ermöglichen.

    Um die natürliche Steuerung der Hand zu ermöglichen, wurde die elektrische Aktivität der efferenten (vom Gehirn wegführend) Nerven in Befehle für den ausführenden Con- troller der Motoren zur Bewegung der Hand umgesetzt. Die Steuerung ist also vollkom- men frei von Anstrengungen oder Vorstellungen von bestimmten Bewegungen, wie es im BCI des Öfteren der Fall ist, und ähnelt der Bewegungsausführung einer echten Hand. Um dies zu erreichen, wurden weitere Sensoren installiert, die die afferenten (zum Gehirn führende) Nerven stimulieren, und so das Erleben einer echten, nicht künstlichen Hand simulieren.

    • 4.3.2 DOF - Degree of Freedom

    Als DOF - Freiheitsgrad wird ein Mitglied einer Gruppe von Parametern, die ein System beschreiben bzw. bestimmen, bezeichnet.

    Ein Problem bei der Steuerung von Neuroprothesen liegt darin, dass bei einer kompli- zierten Prothese, welche über verschiedene Parameter gesteuert wird, diese Parame- ter über das BCI spezifiziert werden müssen. Es liegt also ein Bedarf an einer Vielzahl von Informationen vor, die noch nicht vollständig klassifizierbar sind. Bisher konnten mit einem BCI nur 2-3 DOFs erreicht werden.

    [Tsoli et.al.] beschäftigten sich mit diesem Problem und entwarfen einen "Teilraum", welcher zweidimensional die möglichen Handposen aufzeigen soll. Über verschiedene Trainingsphasen werden Handbewegungen und -posen in hoher Qualität aufgezeich- net, auf 2D reduziert, und in eine Grafik umgewandelt. Auf dieser kann der Nutzer ei- nen Punkt anklicken, und damit eine bestimmte Pose der Hand bewirken. Durch unmit- telbares visuelles Feedback lässt sich damit eine Hand relativ intuitiv und mit einem ho- hen DOF steuern. Um dieses System mit dem BCI zu verknüpfen, wäre nur eine Cur- sor-Implementierung nötig, und so ließe sich mit dem Minimum an Inputs (2) ein Maxi- mum an DOF erreichen. Um das System sinnvoll nutzen zu können, wäre dann aller- dings immer ein Bildschirm für das visuelle Feedback vonnöten, und die Hand somit re- lativ schwierig zu bedienen.

    • 4.3.3 BCI-nutzbare Potentiale für die Prothesensteuerung

    Für die motorische Steuerung unseres Körpers ist im Gehirn die Primär-motorische Rinde zuständig, in der Abkürzung auch M1 genannt. Auf ihr lässt sich der menschliche Körper in den Funktionen wiedererkennen. Unterschiedliche Steuerungsbereiche sind dort nämlich wie auch auf dem Körper in einem sogenannten Homunculus (vgl. 2.2.2) angeordnet, unterscheiden sich jedoch innerhalb dieses Homunculus in der Größe, da einige Bereiche des Körpers (beispielsweise die Hand) größere motorische Feinabstim- mungen erfordern, als andere (beispielsweise der Rumpf). Auch das Areal F5, vorderer Bereich der Prämotorischen Rinde, ist für die Erkennung von geplanten Handbewegun- gen im BCI sehr nützlich. Dieser Bereich spezifiziert nämlich weniger die einzelnen Be- wegungen der Finger zur Erreichung einer Endpose, als dass er diese Endpose defi- niert.

    Kapitel 4
    Kapitel 4

    Aktuelle BCI-Forschung

    Dieser Bereich könnte ein hohes Potential für ein Brain Computer Interface bieten [Car- paneto et.al.], genau wie ein Areal auf dem Parietallappen (AIP - Anterior Intraparietal Area), welcher in der Bewegungsabstimmung mit F5 interagiert. Nach Versuchen an Makaken (Unterfamilie der Backentaschenaffen, z.B. Rhesusaffen, gerne für Experi- mente als Pendanten zum Menschen genutzt) konnte festgestellt werden, dass diese beiden Bereiche (F5 und der AIP) zur Implantation von Elektroden zur Steuerung von BMIs (Brain-Machine Interface), geeignet wären [H. Scherberger].

    4.4 BCI-gesteuerte Programme

    Jede Anwendung des BCI stellt praktisch eine Applikation dar, egal ob damit dann ein Rollstuhl oder ein Roboter gesteuert wird. Dennoch gibt es natürlich auch Programme für den Computer, die verschiedene Zwecke erfüllen, und den Nutzern einen intuitive- ren Zugang zum Computer ermöglichen sollen. Einige Anwendungsmöglichkeiten möchte ich hier vorstellen.

    • 4.4.1 Speller

    Als Speller bezeichnet man Programme, die über ein Brain-Computer Interface das Schreiben von Text ermöglichen. Solche Programme sind von hohem Interesse für Pa- tienten mit dem sogeannten Locked-In-Syndrom, ein Syndrom welches sich durch den völligen Verlust sämtlicher Kommunikationsmöglichkeiten auszeichnet. Es ist den Be- troffenen weder möglich, sich mit Bewegungen oder mit Sprache auszudrücken, die letzte manchmal verbleibende Möglichkeit stellen Augenbewegungen dar, und wenn auch die wegfallen, bleibt das Brain Computer Interface die einzige Möglichkeit.

    Der Patient bleibt bei dieser Krankheit jedoch bei völligem Bewusstsein, es ist ihm möglich, seine Außenwelt zu verstehen, kann sich aber rein gar nicht äußern. Das führt oftmals zu starken Depressionen und psychischen Problemen, insbesondere in der Vergangenheit, wo dieses Syndrom noch nicht medizinisch bekannt war, hatten Patien- ten mit dem Locked-In-Syndrom keine Hoffnungen auf Besserung oder Veränderung der Lage.

    Heute stellt das Brain Computer Interface eine Möglichkeit dar, diesen Patienten wieder Zugang zur Außenwelt zu bieten. Ein Speller kann hier von großem Wert sein, da hier- mit eine Verständigung ermöglicht wird.

    • 4.4.2 Hex-o-Spell

    Hex-o-Spell ist ein Speller, der von einer Forschergruppe aus Berlin und Glasgow ent- wickelt wurde, und im Vergleich zu bisher gängigen Spellern eine erstaunlich hohe Ge- schwindigkeit erreichen kann. Der Speller beruht auf einem 3-Klassen BCI und Bewe- gungsvorstellung.

    Gängige Speller beruhen oftmals auf einem System, das in etwa zwei Spalten darstellt, die mit einem Befehl durchgescrollt werden können, bis der Nutzer den gewünschten Buchstaben erreicht. Mit rechts/links kann der Nutzer dann auswählen, welchen Buchstaben er eintippen möchte. Dieser Weg ist recht umständlich, da unter Umstän- den mehr als 13 Eingaben getätigt werden müssten, um zum gewünschten Buchstaben zu kommen. Träte dann ein Fehler auf, vertippte sich z.B der Nutzer, müsste er die ge- samte Liste ein zweites Mal durchscrollen.

    Um dies zu vermeiden wurde Hex-o-Spell[Blankertz et.al.] kreiert. Dieses beruht, wie der Name schon sagt, auf sechs kreisförmig angeordneten Sechsecken.

    Kapitel 4
    Kapitel 4

    Aktuelle BCI-Forschung

    In jedem einzelnen dieser Sechsecke stehen fünf Buchstaben und eine Rückschritt- Taste, welche es ermöglicht, bei
    In jedem einzelnen dieser Sechsecke stehen fünf Buchstaben und eine Rückschritt-
    Taste, welche es ermöglicht, bei einem auftretenden Fehler wieder zurück ins "Haupt-
    menü" zu kommen.
    Möchte der Nutzer nun einen Buchstaben eintippen, wählt er aus dem Hauptmenü mit
    einer vorgestellten rechten Handbewegung das Sechseck aus, indem der Buchstabe
    enthalten ist, und bestätigt mit einer vor-
    gestellten Fußbewegung. Im Sechseck
    wiederholt sich dieser Vorgang, bis der
    Buchstabe erreicht und bestätigt ist.
    Wurde ein Buchstabe falsch eingege-
    ben, ist es möglich, diesen mit der Taste
    "<" zu löschen.
    Um die mögliche Geschwindigkeit der
    Eingabe zu erhöhen, wurde Hex-o-Spell
    um eine intelligente Funktion erweitert,
    die aus den eingegebenen Buchstaben
    errechnet, welche Buchstaben mit der
    höchsten Wahrscheinlichkeit als nächs-
    tes gebraucht werden. Daraufhin ordnet
    Hex-o-Spell in einem Rechteck, welches
    durch den Nutzer ausgewählt wurde, die
    Buchstaben nach Wahrscheinlichkeit
    an, so dass oftmals kein langes Suchen
    vonnöten ist, sondern der Buchstabe
    gleich als erstes ausgewählt werden
    kann.
    Die Eingabeoberfläche von Hex-o-spell
    Bild: [Blankertz et.al.]
    Mit diesem System war es in einem Online-Test unter "Extrem"-Bedingungen (CeBIT:
    Ablenkungen durch Geräusche, Stresssituation durch eine TV-Aufzeichnung und Be-
    such von Würdenträgern, geringe Luftfeuchtigkeit) möglich, dass eine Geschwindigkeit
    von durchschnittlich über 5 Buchstaben/Minute erreicht werden konnte. (Die höchste
    Geschwindigkeit mit Hex-o-Spell liegt bis jetzt bei 7,6 Buchstaben/Minute, andere Spel-
    ler schaffen 2-3 Buchstaben/Minute) Bei dieser Zahl ist zu beachten, dass sie ohne
    Fehler erreicht wurde, bei falsch getippten Buchstaben mussten die Testpersonen den
    Fehler mit der Löschtaste rückgängig machen und den Vorgang wiederholen.
    Das Projekt Hex-o-Spell ist mit diesem Ergebnis eines der besten System zum Einge-
    ben von Text über ein Brain-Computer Interface.
    4.4.3 P300
    P300 ist ein Potential, welches des öfteren für Speller genutzt wird, aber auch andere
    Funktionen in einem Brain-Computer-Interface erfüllen kann. Es gehört zu den soge-
    nannten evozierten Potentialen, es handelt sich dabei um eine elektrische positive Wel-
    le, die in einem EEG ca. 300 ms nach dem Auftreten eines abweichenden Stimuli klas-
    sifiziert werden kann.
    Dieses Potential habe ich bereits in 3.3.2 vorgestellt, mit ihm konnten bereits Applikati-
    onen umgesetzt werden, wie den P300-Speller. Bei diesem handelt es sich um eine Ta-
    belle von 6 Spalten und 6 Reihen, in welchem zufällig Buchstaben aufleuchten. Er-
    kennt der Nutzer den gewünschten Buchstaben, wird P300 evoziert und der Buchstabe
    ausgewählt.
    Mit diesem System war bisher jedoch auch nur eine Geschwindigkeit von 6 Buchsta-
    ben/Minute zu erreichen, es ist jedoch ohne Trainingsphase nutzbar.
    Kapitel 4
    Kapitel 4

    Aktuelle BCI-Forschung

    Allgemeines

    Jedes Brain-Computer-Interface, sei es für einen Roboter, einen Rollstuhl oder einen Computer entwickelt, muss gewisse Probleme bewältigen, die immer wieder auftreten. Welche Lösungen und Ergebnisse Forscher im Projekt MAIA aufzeigen konnten, möch- te ich hier beschreiben.

    4.5 Feedback

    Ein solides und schnelles Feedback-System für ein Brain-Computer-Interface bringt verschiedene Schwierigkeiten mit sich. Beispielsweise ist (vgl. 4.2.1) ein visuelles Feedback beim Steuern eines Rollstuhls oftmals recht langsam und nicht sehr präzise, da es nur indirekt erfolgt. Doch gibt es in der Forschung auch andere Gestaltungsmög- lichkeiten eines Feedbacksystems, einige habe ich bereits vorgestellt, andere möchte ich nun vorstellen.

    • 4.5.1 Visuelles Feedback

    Alternativen zu einem rein visuellen Feedback stellen das auditive, das haptische, sowie Kombinationen dieser Feedback-Arten dar. Tatsächlich scheint das visuelle Feedback aber bisher noch das Erprobteste mit den besten Resultaten zu sein. So konnte in einem Test mit auditivem, visuellen und haptischen Feedback [Perrin et.al.] nachgewiesen werden, dass visuelles Feedback in der Kombination Quantität - Qualität klar vorne liegt. Auditives Feedback war zwar geringfügig akkurater, dafür konnte je- doch visuelles Feedback auf dem zeitlichen Sektor stark punkten.

    Beispiele für ein viuselles Feedback sind einmal real eintretende Aktionen (Roll- stuhlsteuerung, Buchstabeneingabe), als auch beispielsweise ein Balken auf einem Bildschirm, der sich in eine Richtung bewegt. So könnte beispielsweise ein solcher Bal- ken für einen Rollstuhl entwickelt werden, der mit einem größeren Drehwinkel eine Be- wegung schneller sichtbar macht, und bei Bestätigung der angezeigten Bewegung die- se durchführt.

    • 4.5.2 Auditives Feedback

    Besonders für Kranke, die zusätzlich noch blind sind, ist ein auditives Feedback der einzige Weg. Ein solches kann beispielsweise Töne verschiedener Höhen wiederge- ben, die sich per BCI verändern lassen, und so eine Steuerung ermöglichen. Genauso könnte natürlich ein Sprachassistent die Bedienung erleichtern, ein Speller wäre für diesen Zweck äußerst geeignet.

    Ein Auditives Feedback erfordert zwar eine längere Antwortszeit, kann aber durch Trai- ning auf ein annährend gleiches Niveau wie das des Visuellen Feedbacks gebracht werden [Nijboer et.al.].

    • 4.5.3 Taktiles Feedback

    Mit der taktilen Wahrnehmung können wir Druck, Berührungen und Vibrationen auf der Haut wahrnehmen, eine Tatsache, die sich für ein Feedback sehr gut ausbeuten lässt. Zu diesem Zwecke wurden haptische Feedbacksyteme (vibrotactile feedback devices) entwickelt [Aloise, et.al.], vergleichbar mit Lautsprechern. Ein sogenannter "contactor" wird gegen die Haut und zurück gestoßen und macht damit Vibrationen spürbar. Mit ei-

    Kapitel 4
    Kapitel 4

    Aktuelle BCI-Forschung

    nem einzigen dieser Geräte lassen sich bereits verschiedene Stimuli wiederspiegeln, wie z.B. durch Intensität, Dauer, Frequenz und räumliche Orientierung.

    Versuchspersonen wurden acht dieser Taktoren, zu einem Halbkreis angeordnet auf die Schulter gesetzt und können so den Nutzern Feedback geben. Nachteilig auswir- ken können sich unter Umständen die Tatsachen, dass taktiles Feedback z.T. mögli- cher Weise mit vorgestellten Bewegungen kollidiert und an falschen Stellen Unbeha- gen auslösen kann.

    Verglichen mit visuellem Feedback ließ sich zwar feststellen, dass taktiles Feedback weniger schnell zu erlernen ist, in der Antwortszeit etwas mehr benötigt und eine ge- wisse Trainingszeit erfordert [Kauhanen et.al.]. Gleichzeitig war jedoch die korrekte An- zahl der auf taktiles Feedback gegebenen Antworten im Vergleich zum Visuellen Feed- back geringfügig höher und die Anzahl der falschen Antworten geringer [Aloise et.al. 2 ].

    Das taktile Feedback stellt also eine Alternative zu dem visuellen dar, insbesondere für sehbehinderte Patienten. Im Gegensatz zu einem auditiven bietet das taktile Feedback nämlich wesentlich mehr Ausdrucksmöglichkeiten.

    • 4.5.4 Kombinationen

    Kombinationen von Feedback-Arten können sehr nützlich sein, wie wir bereits (vgl. 4.2.1) sehen konnten. Dennoch sind nicht alle Kombinationen sinnvoll. Mehrere Feed- back-Arten können zu einer Reizüberlastung führen, und dem Nutzer damit mehr scha- den als dienen [Lehembre et.al.]. Eine Kombination aus visuellem und auditivem Feed- back wird damit wohl kaum eine Chance haben.

    • 4.5.5 Error related Potentials

    Error related Potentials (vgl. 3.3.3) sind eine interessante Möglichkeit, die Fehler in ei- nem Mensch-Maschine-System zu minimieren. In einer betreffenden Studie traten sowohl bei Versuchen mit visuellem, als auch mit taktilem Feedback bei allen Teilnehmern auf. Ausgenommen bei einer Person konnte kein ErrrP erkannt werden.

    Die ErrrP bei taktilem Feedback zeichneten sich durch niedrigere Amplituden und vari- ablere Potentiale der Komponenten aus [Tocci et.al.]

    • 4.5.6 Fazit

    Visuelles Feedback ist im Bereich der BCI-Forschung immer noch "state of the art". Dennoch erfüllt es nicht alle erforderlichen Eigenschaften, insbesondere da es oftmals die Konzentration des Nutzers auf dem visuellen Kanal erfordert, was bei der Steue- rung eines Rollstuhls oftmals mit einem Laptop verbunden und daher hinderlich ist.

    Die beschriebene Alternative taktiles Feedback scheint da gerade richtig zu kommen, allerdings ist dieses Feedback bisher noch nicht ausreichend getestet worden, um als stabil gelten zu können. Dennoch deutet vieles auf eine verstärkte Nutzung des taktilen Feedbacks in den nächsten Jahren hin.

    Kapitel 4
    Kapitel 4

    Aktuelle BCI-Forschung

    • 4.6 Training

    Nur wenige Brain-Computer Interfaces lassen sich ohne Training durch den Anwender benutzen. Um ein BCI-System sicher bedienen zu können, ist es notwendig, dass Er- fahrungen gemacht und die Fähigkeit zur Bedienung eines Brain-Computer Interfaces trainiert wird.

    • 4.6.1 Trainingsablauf

    Ein direkter Einstieg in eine BCI-Steuerung, beispielsweise eines Rollstuhls mit Hilfe von vorgestellten Bewegungen, ist oftmals weniger sinnvoll, als ein gut aufgebauter Trainingsablauf. In einem Versuch zu diesem Thema wurde ein Beispiel-Trainings- ablauf entworfen [Bufalari et.al.], der dem Nutzer beibringt, seine Beta oder my- Wellen (vgl. 3.3.1) seines EEGs durch Vorstellung von Bewegungen zu beeinflussen.

    Schritt 1 (3-10 Trainingseinheiten): Den Teilnehmern wurde (davon vier Tetraplegie-Pa- tienten, s. Seite x.) ein Mauszeiger auf einem Bildschirm gezeigt, der sich, je nach ih- ren vorgestellten einfachen Hand- oder Fußbewegungen, eindimensional bewegte. Versuchspersonen, die gut abschnitten, hatten daraufhin Aufgaben mit zweidimensio- naler Cursorbewegung zu bewältigen.

    Schritt 2 (2-3 Trainingseinheiten): Im zweiten Schritt wurde zu dem visuellen Feedback das taktile hinzugefügt, sodass die Versuchspersonen den Zusammenhang zwischen diesen Feedback-Arten kennenlernen konnten. Dann wurde das Feedback auf das tak- tile reduziert, und die Versuchspersonen aufgefordert, anhand des taktilen Feedbacks den Cursor zu steuern.

    Schritt 3: Im dritten Schritt konnten die Personen dann den virtuellen Rollstuhl in einer simulierten Welt steuern, indem sie eine der vier Richtungen mit dem Cursor markier- ten.

    Ob dieser Trainingsablauf der beste ist, bleibe dahingestellt. Es scheint jedoch auf je- den Fall notwendig, einen standardisierten Trainingsablauf zu finden, welcher die Nut- zer auf die Anforderungen im täglichen Gebrauch einstellt und ihn "Modulation" seines EEG-Musters lehrt.

    • 4.6.2 Potentiale die kein Training benötigen

    Manche BCI-Muster brauchen kaum oder kein Training, da sie sozusagen mit den "built-in"-Funktionen des Gehirns arbeiten. Eines dieser Potentiale ist P300 (vgl. 3.3.2), eine positive Welle, die nach einem Reiz auftritt.

    • 4.7 3-Klassen Brain-Computer Interfaces mit Bewegungsvor-

    stellung?

    Viele Brain-Computer Interfaces werden heutzutage anhand von Bewegungsvortellun- gen gesteuert. Diese lassen sich recht simpel aus den EEG-Daten extrahieren, und so- mit für eine Steuerung nutzen. Eine ultimative Lösung ist das aber noch nicht. Schließ- lich mündet das bei der Bedienung in ein ständiges "mentales Gefuchtel", was den Be- nutzer ermüden kann, da es oftmals sehr viel Konzentration erfordert.

    Kapitel 4
    Kapitel 4

    Aktuelle BCI-Forschung

    • 4.7.1 Bewegungsvorstellung

    Für die Steuerung eines BCIs waren bisher insbesondere drei verschiedene Bewegun- gen zuständig, rechte Hand / linke Hand / Fuß. Um diese Bandbreite intuitiver zu ge- stalten und etwas einzuschränken, konnte eine weitere Bewegung mit den Händen ge- funden werden, deren Merkmalsextraktion recht einfach ist [Welke et.al.]. Es handelt sich dabei um eine vorgestelllte Bewegung der Hände umeinander. Die Extraktion die- ser Bewegung ist robust, zudem wäre sie auch relativ intuitiv einsetzbar, beispielsweise für Scrolling.

    • 4.7.2 Steuerung ohne Bewegungsvorstellung - mentales Brain-Computer

    Interface

    Um ein ideales Brain-Computer Interface zu kreieren, wäre jedoch eine passive Steue- rung wünschenswert, die ohne vorgestellte Bewegungen auskommt.

    In diesem Bereich ist die Forschung bisher allerdings noch nicht sehr weit, man geht je- doch davon aus, dies in Zukunft umsetzen zu können. In einem Versuch [Dashuber et. al.] wurden bereits verschiedene mentale Zustände getestet, und es wurde versucht, Rückschlüsse auf Bewegungsabsichten des Nutzers zu ziehen.

    Ein solches passives BCI wäre besonders in der Steuerung von Rollstühlen äußerst hilfreich, da in einem solchen Fall der Nutzer nicht durch lästige Vorstellungen von Be- wegungen gebunden wäre.

    4.8 Ein BCI für den Alltag

    Viele der hier vorgestellten Forschungsergebnisse beziehen sich nur auf Laborbedin- gungen, das heißt, sie sind unter Umständen kaum auf den Alltag übertragbar.

    • 4.8.1 Die Anforderungen an ein Alltags-BCI

    Um ein Brain-Computer Interface im Alltag nutzen zu können, muss dieses eine eigene Prioritätensetzung haben, also die schnelle vor der optimalen Lösung vorziehen [van Langhenhove et.al.]. Außerdem sollte es unbedingt online (vgl. 3.1.5) funktionieren und tragbar, autonom und durch Batterien angetrieben sein, um die Portabilität des Sys- tems zu gewährleisten.

    Ein weiteres Hindernis stellt die Kontaktfähigkeit einer herkömmlichen Elektrode (vgl. 3.2.3) dar, welche nur durch Gel, welches zwischen die Elektrode und die Kopfhaut ge- spritzt wird, genug Kontakt herstellen kann, um brauchbare EEG-Signale zu empfan- gen.

    Das Projekt Penso [Calvo et.al.] konnte nachweisen, dass es möglich ist, ein EEG mit "trockenen" Elektroden abzuleiten, und dennoch anständige Klassifikationsraten zu er- zielen. Ein solches System kann zwar etwas teurer sein, als Systeme mit herkömmli- chen Elektroden, ist aber natürlich wesentlich angenehmer zu tragen.

    5. Meine praktische Arbeit : Ein BCI-Versuch

    Um den Umfang eines BCI-Versuches, bzw. der Nutzung des Brain-Computer Interfa- ces deutlich zu machen, möchte ich hier einen Versuch beschreiben, an dem ich in der TU Berlin teilnehmen konnte.

    In dem Versuch, den ich als praktische Ergänzung meiner Arbeit an der TU Berlin durchführte, wollte ich einen Computer mit dem Gehirn steuern, also ein Brain-Compu- ter Interface in voller Aktion sehen, bzw. selbst einsetzen. Das brachte verschiedene Schwierigkeiten und interessante Erfahrungen mit sich, die ich hier gerne schildern würde. Auch möchte ich zeigen, wo noch Verbesserungen möglich wären, und wie die- se aussehen könnten. Diese habe ich zur Unterscheidung mit einem grauen Kasten hinterlegt.

    Eigentlich hatte ich, wie in der Einleitung zu lesen ist, geplant, diese Verbesserungen in meiner Praxis-Woche zu evaluieren und evtl. umzusetzen, leider war das dann jedoch zeitlich nicht mehr umsetzbar.

    Das Ziel des Versuches war die Steuerung eines "Spieles", des Basket-Paradigmas (Steuerung eines Balles in einen Korb), mit Hilfe von Bewegungsvorstellungen, die zwi- schen links und rechts differenziert waren.

    5.1 Vorbereitungen

    Um den Versuch durchführen zu können, waren verschiedene Vorbereitungen nötig, die ich im Kapitel 3 bereits erwähnt habe, denen ich hier aber nochmals Platz einräu- men möchte.

    5.1.1 EEG

    5. Meine praktische Arbeit : Ein BCI-Versuch Um den Umfang eines BCI-Versuches, bzw. der Nutzung des

    Abbildung 5.1.1: Autor mit Elektrodenkappe

    Kapitel 5
    Kapitel 5

    Meine praktische Arbeit

    Um mein EEG aufzeichnen zu können, wurde mir eine Kappe aufgesetzt (vgl. Abbil- dung 5.1.1), in
    Um mein EEG aufzeichnen zu können, wurde mir eine Kappe aufgesetzt (vgl. Abbil-
    dung 5.1.1), in welcher die Elektroden befestigt waren. In meinem Fall handelte es sich
    da um ca. 30 Elektroden, die auf Abbildung 5.1.4 zu sehen sind. Sie deckten die, für
    die Bewegungsvorstellung relevanten Bereiche, ab (F-Reihe, FC-Reihe, P-Reihe und
    für einen weiteren Versuch den okzipitalen Bereich).
    Abbildung 5.1.2: Impedanzcheck der Elektroden
    Da diese Elektroden äußerst empfindlich, und die elektrischen Signale am Cortex äu-
    ßerst gering sind, muss ein möglichst guter Kontakt der Elektroden zur Kopfhaut beste-
    hen. Um dies zu gewährleisten, wird in die Elektroden (vgl. Abbildung 5.1.3) ein Gel ge-
    spritzt, welches die Leitfähigkeit der Kopfhaut gewissermaßen erhöht (vgl. Kapitel 3).
    Während die Versuchsperson eingegelt wird, zeigt ein Bildschirm die Impedanzen, also
    praktisch die Widerstände auf den einzelnen Elektroden an. Damit die Daten für den
    Versuch auswertbar sind, müssen die Widerstände möglichst gering sein.
    Abbildung 5.1.3: Elektroden, in der Elekrodenkappe befestigt und eingegelt.
    Kapitel 5
    Kapitel 5

    Meine praktische Arbeit

    Verbesserungen im Bereich der Vorbereitung: Für einen Versuch wie den beschriebenen muss immer viel Zeit eingeräumt
    Verbesserungen im Bereich der Vorbereitung:
    Für einen Versuch wie den beschriebenen muss immer viel Zeit eingeräumt wer-
    den. Relativ zur Anforderung eines Laborversuchs ist das kaum ein Problem.
    Handelt es sich bei dem zu bedienenden BCI aber um ein lebensnotwendiges
    Hilfsmittel, beispielsweise zur Kommunikation eines Locked-In-Patienten, ist ein
    solches BCI recht aufwändig. Das Eingelen dauert seine Zeit, die Elektroden sind
    empfindlich, die Kappe ist alles andere als ein schickes Accessoire und das Gel
    trocknet mit der Zeit ein. Außerdem kann ein Verrutschen die Signale vollkommen
    verändern. Für die Steuerung eines Rollstuhls fatal.
    Diesen Umstand zu verbessern haben sich bereits verschiedene Forschungsgrup-
    pen zum Ziel gemacht.
    Trockene Elektroden: Die Elektroden und Verstärker werden weiterentwickelt, um
    eine höhere Sensibilität zu erreichen (vgl. 4.8.1)
    Portabilität erhöhen!: Eine weitere Möglichkeit, mit der ich mich nicht weiter be-
    schäftigt habe, die aber den Einsatzbereich des BCIs um Einiges erweitert, ist die
    Methode, Elektroden in eine Art Stirnband einzusetzen. Der Tragekomfort und der
    modische Aspekt könnten dadurch wesentlich erhöht werden, für die Fehlerquote
    gilt aber wahrscheinlich das Gleiche.

    Abbildung 5.1.3: Die installierten Elektroden zur Abnahme des EEGS für meinen Versuch

    Kapitel 5
    Kapitel 5

    Meine praktische Arbeit

    Als die Elektrodenkappe auf meinem Kopf saß, und die Elektroden alle den gewünsch- ten Kontakt aufwiesen,
    Als die Elektrodenkappe auf meinem Kopf saß, und die Elektroden alle den gewünsch-
    ten Kontakt aufwiesen, konnte es mit dem Training losgehen.
    5.1.2 Training
    Das Spiel sollte mit Bewegungsvorstellungen gesteuert werden, was das System vor
    zwei wichtige Fragen, bzw. Probleme stellt. Erstens: Der Nutzer muss sich die ausge-
    wählte Bewegung richtig vorstellen, damit ein robuster Klassifikator erstellt werden
    kann. Zweitens: Für den Computer muss ein robuster Klassifkator erstellt werden,
    der auf die persönlichen EEG-Muster des Nutzers abgestimmt ist.
    Um diese beiden Probleme zu lösen, wird ein Trainingsdurchlauf benötigt, in dem der
    Nutzer lernt, sich eine ganz bestimmte Bewegung vorzustellen, und Daten aufgenom-
    men werden, aus welchen später ein robuster Klassifkator erstellt werden kann.
    Für meinen Versuch wählte ich als Bewegung den Faustschluss der rechten und der
    linken Hand. Diese beiden Aktionen sollten dann später differenzieren zwischen rechter
    und linker Bewegung des Balles im Basket Paradigma. Für diese spezielle Aktion wäre
    der Faustschluss aber nicht die einzige vorstellbare Bewegung gewesen, auch mit ei-
    nem Beugen des Armes hätte man das BCI bedienen können. Ich entschied mich je-
    doch für den Faustschluss, da ich das Gefühl hatte, diese Bewegung würde mir in der
    (vorgestellten) Ausführung am wenigsten Schwierigkeiten bereiten.
    Nun begann die Trainingsphase, in der mir auf einem Bildschirm angezeigt wurde, ob
    ich mir einen rechten oder linken Faustschluss vorstellen sollte. Wurde ein "L" etwa
    drei Sekunden auf dem Bildschirm angezeigt, stellte ich mir also den Faustschluss der
    linken Hand vor. Dies ist nicht so einfach, wie es sich anhört, denn diese Vorstellung
    darf nicht "visuell", sondern sollte "taktil" sein, das heißt die Vorstellung hat im Grunde
    dem Befehl zur Ausführung eines Faustschlusses zu gleichen, mit dem geringen Unter-
    schied, dass die Hand nicht wirklich geschlossen wird.
    Abbildung 5.1.4: Aufzeichnung meines EEGs, an der linken Seite sind die Elektroden
    eingetragen, im unteren Bereich sind die Signale der 2 EMG-Elektroden zu erkennen,
    deren hohe Amplitude bei der Ausführung der Bewegung zu erkennen ist.
    Ich musste feststellen, dass die Trainingsphase die anstrengendste Phase der Nutzung
    des Brain-Computer Interfaces war, da eine konstant hohe Konzentration gefordert ist,
    Kapitel 5
    Kapitel 5

    Meine praktische Arbeit

    verbunden mit der Anforderung, möglichst nicht zu schlucken, zu blinzeln oder sich sonstwie zu bewegen, um
    verbunden mit der Anforderung, möglichst nicht zu schlucken, zu blinzeln oder sich
    sonstwie zu bewegen, um die EEG-Daten möglichst unverfälscht aufnehmen zu kön-
    nen.
    Verbesserungen des Trainings
    Wie ich bereits beschrieben habe, ist das Training keineswegs der angenehmste
    Teil des Prozederes für die Steuerung eines BCIs, es ist vielmehr recht anstren-
    gend.
    Den Trainingsweg zu optimieren ist daher eine wichtige Aufgabe im Bereich des
    Brain-Computer Interfaces, hier ein paar Vorschläge von mir, wie sich solch ein
    Trainingsablauf verbessern ließe.
    Feedback in den Trainingsablauf einbauen: Eine Schwierigkeit des Trainings ist
    das fehlende Feedback. Der Nutzer kann nicht erkennen, ob die Handbewegung
    die er mental ausgeführt hat, auch den Anforderungen entsprach. Hier ein Feed-
    back zu ermöglichen, könnte das Training wesentlich verbessern.
    Anweisungen verbessern: Eine große Schwierigkeit meinerseits beim Training
    war auch, dass die Anweisung, welche Handbewegung auszuführen sei, auf dem
    Bildschirm angezeigt wurden, auf den man, die meiste Zeit möglichst ohne Blin-
    zeln starren musste. Dies ist für die Konzentration nicht gerade förderlich, es wäre
    also denkbar, die Anweisungen auditiv zu geben. Dabei könnten allerdings Irritatio-
    nen mit dem visuellen Input entstehen.
    Bewegung vorstellbar machen: Problematisch beim Training ist neben dem feh-
    lenden Feedback auch, dass die Vorstellung einer Handbewegung gar nicht so
    einfach ist, wie man sich das vorstellt (haha). Um den Prozess der Vorstellung zu
    vereinfachen, setzten wir bereits ein Prozedere ein, welches im Kapitel 5.2.3 be-
    schrieben ist, es wäre aber von großem Nutzen, weitere zu finden. So wäre es bei-
    spielsweise zu prüfen, ob das Zeigen der Handbewegung (beispielsweise animiert
    auf einem Bildschirm), die vorgestellt werden soll, die Vorstellung vereinfacht und
    die Trainingsdaten verbessert.
    Die Trainingsphase bestand aus 4 x 40 Trials (Trial bezeichnet in diesem Fall die An-
    zeige von R oder L über einen Zeitraum von jeweils 3 Sekunden). Nach diesem ersten
    Training testeten wir, inwieweit sich die Trainingsphase durch einen Lernprozess ver-
    bessern lässt, den ein Forscher an der Charité aufzeigen konnte.
    Da die technischen Mittel nicht im ausreichenden Maße vorhanden waren, bekam ich
    nur jeweils zwei Elektroden an den Unterarm geklebt, die dort die elektromuskuläre Ak-
    tivität aufspürten. Nun führte ich den Faustschluss real aus, und reduzierte die Muskel-
    spannung immer weiter, bis sie am Computer nicht mehr erkennbar war, ich mir aber
    weiterhin die Bewegung vorstellen konnte. Dies sollte den Prozess der Vorstellung ver-
    einfachen, und die Vorstellung sozusagen erfahrbar machen. In der Auswertung stellte
    es sich dann jedoch leider heraus, dass die Daten des Trainingsprozesses nach dieser
    Vorstellungshilfe (5 x 30 Trials) weniger gute Ergebnisse zeigten. Dies könnte aber
    auch daran gelegen haben, dass ich während dieses Traingingsdurchlaufes zwei Bälle
    in der Hand hielt, mit denen ich davor trainiert hatte, und der Faustschluss dadurch vor-
    gestellt weniger umfassend war. Meine Erfahrung war es jedenfalls, dass konkretes
    Fühlen in der entsprechenden Hand den Prozess der Vorstellung vereinfacht und bes-
    ser möglich macht.
    Die EEG-Daten des Trainings wurden in der Trainingszeit aufgenommen und konnten
    in der nächsten Phase bearbeitet werden.
    Kapitel 5
    Kapitel 5

    Meine praktische Arbeit

    5.1.3 Klassifikation - Erstellen eines Klassifikators In der Klassifikationsphase wurde aus den gewonnenen Daten des Trainings
    5.1.3
    Klassifikation - Erstellen eines Klassifikators
    In der Klassifikationsphase wurde aus den gewonnenen Daten des Trainings ein Klas-
    sifikator bestimmt, die Muster also in einem dreidimensionalen Feld visualisiert und
    zwischen links und rechts unterschieden.
    Wie dieser Prozess genau aussieht, habe ich ja bereits in Kapitel 3 beschrieben, hier
    habe ich lediglich ein paar Beispielbilder aus meinen Daten eingefügt, um einen Ein-
    blick in die Klassifikation zu bieten.
    In dieser Phase wurde dann also ein möglichst robuster Klassifikator programmiert.
    Meine Daten schienen für diese Programmierung recht gut geeignet zu sein, es ergab
    sich eine Fehlerquote von 13 % und mit dem oben beschriebenen Zusatztraining mit
    Hilfe des EMG eine Fehlerquote von 19 - 28 %.
    Aus beiden Trainingseinheiten wurde dann ein Klassifikator gebildet, mit welchem ich
    später dann das Programm steuern sollte, indem ich mir entweder einen rechten oder
    einen linken Faustschluss vorstellte, um den Ball nach rechts oder links zu steuern.
    5.2 Der Versuch
    Als nun die Vorbereitungen abgeschlossen waren, konnte es daran gehen, das Ziel der
    Arbeit umzusetzen, bzw. konnte ich versuchen, endlich ein Programm mit der Kraft
    meiner Gedanken zu steuern.
    5.2.1
    Basket Paradigm
    Das Programm, welches ich steuern sollte, heißt "Basket Paradigm" und ist wie folgt
    aufgebaut:
    Kapitel 5
    Kapitel 5

    Meine praktische Arbeit

    Oben: Abbildung 5.2.1 Unten: Abbildung 5.2.2
    Oben: Abbildung 5.2.1
    Unten: Abbildung 5.2.2
    Kapitel 5
    Kapitel 5

    Meine praktische Arbeit

    Verbesserungen des Testprogramms Das Basket Paradigma ist ein Programm, welches einige Vor- und Nachteile auf- weist.
    Verbesserungen des Testprogramms
    Das Basket Paradigma ist ein Programm, welches einige Vor- und Nachteile auf-
    weist. Vorteilhaft wirkt sich auf jeden Fall aus, dass es sehr einfach designt ist und
    die Möglichkeiten perfekt auf die Eingabemöglichkeiten abgestimmt sind. Es gibt
    also nur zwei einfache Möglichkeiten, entweder rechts oder links, die relativ intuitiv
    zu den Aktionen passen und eine klare Richtig/Falsch-Lösung aufzeigen. Dennoch
    lässt es sich überlegen, ob es nicht noch spannendere Designs für ein Programm
    gibt, die den Anforderungen eines BCI-Programms in gleicher Weise entsprechen.
    Ich habe mir ein paar Alternativen überlegt.
    Die Anforderungen: Wie oben bereits beschrieben, sollte das Programm ein kla-
    res Feedback über das Gelingen oder Nichtgelingen einer erfüllten Aufgabe ge-
    ben. Außerdem ist eine hohe Intuitivität von hohem Vorteil. Schließlich ist die Vor-
    stellung einer Handbewegung nicht allzu einfach ersichtlich, eine Applikation die
    hier praktisch "Drücken" erfordern würde, würde dem Nutzer die Bedienung erheb-
    lich vereinfachen. Letztendlich ist ein BCI-Programm bisher auch auf 2 oder drei
    verschiedene Eingabemodi reduziert.
    3D-Autorennen: Eine mögliche Alternative wäre ein Autorennen, in welchem ein
    Auto in einer 3D-Rennlandschaft auf einer Straße bleiben muss und mit den ge-
    wohnten Bewegungsvorstellungen rechts/links gesteuert wird. Dafür wäre das De-
    sign eines passenden Steuers vonnöten, welches dann möglicherweise zwei Hör-
    nern ähneln könnte und durch vorgestellten Druck auf die beiden Griffflächen ge-
    steuert werden könnte. Das hätte den Vorteil, dass die Steuerung noch intuitiver
    realisiert werden könnte, da ein vorgestellter Druck auf die jeweilige Seite des
    Steuers eine Steuerung in diese Richtung bewegt. Problematisch in einem schnel-
    len Spiel ist jedoch, dass oftmals in der Klassifikation eine geringe zeitliche Verzö-
    gerung auftritt.
    Kapitel 5
    Kapitel 5

    Meine praktische Arbeit

    Wie in Abbildung 5.2.1 zu sehen, "hängt" ein rosa Ball am oberen Rand des Bild- schirms. Dieser Ball soll mit Hilfe der vorgestellten Bewegungen in das blaue Feld ge- steuert werden, das sich zufällig entweder auf der rechten oder linken Seite des Bild- schirms befindet. In einer Anzeige auf der linken oberen Seite des Bildschirms ist der "Punktestand" zu sehen, trifft der Ball im grauen Bereich, wird er rot dargestellt und auf der rechten Seite der Punktanzeige ein Punkt hochgezählt (vgl. Abbildung 5.2.2). Trifft er hingegen richtig im blauen Bereich, wird er grün dargestellt und ein Punkt auf der anderen Seite gezählt (vgl. Abbildung 5.2.1).

    5.2.2 Der Versuchsablauf

    Ich begann den Versuch mit einem ersten Training, in dem ich ein paar Bälle ins Ziel steuerte, um dann einen Durchlauf mit genau 100 Bällen zu starten. In diesem ersten Durchlauf konnte ich keine besonders gute Punktzahl erreichen, ich erreichte vielmehr ein recht ausgewogenes Ergebnis von 52:48 Punkten, ein Ergebnis also, bei dem auch Zufall nicht ganz ausgeschlossen werden könnte, zweifelte man an dem vorhandenen funktionierenden BCI und legte eine allzu große Genauigkeit in dieser Frage zu Tage. Mit meinem zweiten Durchlauf konnte ich dann allerdings eine bessere Punktzahl er- zielen, nach einem relativ schweren Start mit 22:11 konnte ich schlussendlich noch auf 74:26 erhöhen.

    Warum sind diese Ergebnisse also so stark schwankend, was macht die Steuerung durch das BCI so anfällig und warum ist es schwer, ein robustes BCI zu erstellen?

    • 1. Konzentration:

    Eine Erfahrung, die ich bereits während des Trainings machte, und die sich bei der Ausführung des Programms wieder bemerkbar machte, ist die erforderliche hohe Kon- zentration, um das Programm zu steuern. Jede vorgestellte Bewegung stellt für sich bereits eine nicht zu unterschätzende Hürde dar, da sie als Interaktion mit dem Feed- back gehandhabt werden muss. Lässt die Konzentration nach, häufen sich die Fehler. Letzlich war es mein Eindruck, dass die meisten Fehler, die ich machte, auf Konzentra- tionsmangel zurückzuführen waren. Ich begann nämlich nach recht kurzer Zeit, mir we- niger den Faustschluss vorzustellen, als mir "RECHTS" oder "LINKS" zu wünschen. Dass das nicht ganz zielführend sein kann, erklärt sich von selbst. Dennoch könnte es einen Übergang geben, bei welchem der Benutzer von der konkreten Vorstellung der Handbewegung abweicht und die abstrakte Richtungsanweisung automatisch in die geforderte Vorstellung umgesetzt wird. Dieser Umgang kann wohl länger aber auch kürzer dauern, ich konnte ihn in der mir gegebenen Zeit jedenfalls nicht erreichen, und die konkrete Bewegungsvorstellung erfordert doch eine recht hohe Konzentration.

    Störungen der Konzentration können natürlich auch durch äußere Geschehnisse her- vorgerufen werden, so knarzte beispielsweise während meines Versuches der Stuhl ei- nes Beobachters und zerstörte meine Konzentration für mehr als 3 Bälle recht nachhal- tig, ich konnte mir die Bewegung kurzfristig nicht mehr richtig vorstellen, und konnte mich erst nach diesem recht langen Zeitraum wieder vollständig konzentrieren.

    • 2. Feedback

    Ein weiteres Problem, welches aber mehr den Übergang von Training zu tatsächlicher Bedienung einer Applikation betrifft, aber in der gesamten Phase von Bedeutung ist, ist das Feedback. Ich habe die Problematik bereits in den vorhergehenden Kapiteln be- schrieben, sie wurde mir aber beim Spielen des Basket-Paradigmas nochmals beson- ders deutlich. Das Problem entstand durch die hohe mentale Belastung, bzw. durch die Schwierigkeit, Konzentration für die Bewegungsvorstellung aufzubringen, wenn diese durch das visuelle Feedback bereits gefordert wurde.

    Kapitel 5
    Kapitel 5

    Meine praktische Arbeit

    Diese Schwierigkeit erstaunte mich erst, da ich davon ausgegangen war, Feedback würde die Vorstellung vereinfachen, da
    Diese Schwierigkeit erstaunte mich erst, da ich davon ausgegangen war, Feedback
    würde die Vorstellung vereinfachen, da es eine einfache Antwort für richtig oder falsch
    geben könnte, was im Trainingsprozess nicht der Fall gewesen war und damit das Trai-
    ning erschwert hatte.
    Verbesserungen im Versuchablauf
    Wie ich bereits beschrieb, birgt der Ablauf des Versuchs verschiedene Schwierig-
    keiten, die nicht so einfach auszuräumen sind, bzw. das Arbeiten mit einem Brain-
    Computer Interface nicht unerheblich erschweren.
    Konzentration vereinfachen: Da die Konzentration eines der wichtigsten Fakto-
    ren beim Ablauf eines Versuches ist, so war es jedenfalls mein Eindruck, braucht
    es entweder eine konstant hohe bis sehr hohe Konzentration, oder eine Aufgabe,
    die eine niedrigere Konzentration erfordert. Das wäre mit einem intuitiveren Pro-
    gramm gegeben, da dann eine vorgestellte Aktion besser zur ausführbaren Aktion
    und zum Feedback passen würde.
    Um die notwendige Konzentration zu erreichen, ist momentan eine Labor-Umge-
    bung oder eine ruhige Umgebung fast unumgänglich, es wäre aber auch denkbar,
    dass es möglich ist, durch ein anderes Feedback den Bedarf an Konzentration zu
    verringern.
    Feedback intuitiver gestalten: Feedback ist defintiv eine zwiespältige Sache.
    Einerseits fehlt es im Training, und kann damit nicht helfen, den Prozess des Trai-
    nings zu verbessern, andererseits lenkt es die Konzentration des BCI-Nutzers ab.
    Diesen Umstand könnte man sich allerdings eventuell zu Nutzen machen, würde
    man ein Feedback-Gerät entwickeln, welches die Bewegungsvorstellung des Nut-
    zers unterstützt anstatt zu stören, beispielsweise ein taktiles Feedback. Das bringt
    allerdings wieder Schwierigkeiten mit sich, z.B. könnte sich dann eine Konzentrati-
    on auf einen anderen Bereich erschweren.
    Artefakte herausrechnen: Teilweise wird es bereits praktiziert, war aber in mei-
    nem Versuch so noch nicht der Fall. Mit EMG-Elektroden könnte man zusätzlich
    zum EEG die Aktivität entsprechender Muskeln messen, und möglicherweise aus
    dem EEG herausrechnen. Ist das nicht möglich, so können wenigstens entspre-
    chende Daten als unbrauchbar deklariert werden, und grobe Ausreißer in der Be-
    dienung verhindert werden.
    Bewegung gegen keine Bewegung abgrenzen: Eine weitere Ergänzung eines
    Klassifikators ist ein sogenannter movement/no-movement Klassifikator, welcher
    die EEG-Daten analysiert und Bewegungen herausgreifen und klassifizieren kann.
    Ist ein solcher nur rudimentär oder gar nicht vorhanden, kann es oftmals zu größe-
    ren Fehlern kommen, da die Desynchronisation der vorgestellten Handbewegung
    den gegenteiligen Effekt der vorgestellten Handbewegung hervorrufen kann.
    Verzögerungen vermeiden: Äußerst wichtig ist auch, Verzögerungen zwischen
    vorgestellter Bewegung und ausgeführter Aktion möglichst zu eliminieren. Noch ist
    es recht schwierig, eine Applikation komplett online per BCI zu bedienen. Es han-
    delt sich dabei um einen so äußerst wichtigen Faktor, da Feedback nur unmittelbar
    nach der vorgestellten Bewegung wirklich sinnvoll ist, und ein schnelles Feedback
    die Motivation des Nutzers erheblich steigern kann.
    Als Konsequenz leitete ich meine Konzentration sozusagen bewusst auf die Bewe-
    gungsvorstellung und weg vom Feedback, indem ich mich visuell auf den Punktestand
    konzentrierte, das Ziel nur noch aus den Augenwinkeln wahrnahm und dann mit der
    Kapitel 5
    Kapitel 5

    Meine praktische Arbeit

    Bewegungsvorstellung steuerte. Auf den sinkenden Ball zu starren fand ich meist eher konzentrationsstörend.

    • 3. Zeitliche Verzögerung

    Das ideale BCI funktioniert online, das heißt, es existiert keine Verzögerung zwischen Vorstellung und Ausführung der mit der Vorstellung verknüpften Aktion. Der verwendete Klassifikator wies da eigentlich ganz gute Werte auf, die Verzögerung bei einem Klassi- fikator betrug ca. 1,5 und bei dem anderen ca. 0,5 - 1 Sekunde. Diese Verzögerung ist zwar relativ gering, kann den Ausführenden einer solchen Applikation jedoch in recht große Schwierigkeiten bringen, da nicht so richtig klar wird ob die vorgestellte Bewe- gung als die Gewünschte auch richtig interpretiert wurde, und die Bewegung auf dem Fuße folgt, oder ob eben noch keine Aktion erkannt wurde, und sich weiterhin ein ent- sprechender Faustschluss vorgestellt werden sollte.

    • 4. Fehler des Klassifikators

    Leider kann der programmierte Klassifikator, wie es bereits in Kapitel 3 deutlich gewor- den sein sollte, nie zu 100 oder gar 90 Prozent genau klassifizieren. Daher können na- türlich ständig Klassifikationsfehler auftreten, die eine genaue Steuerung erheblich er- schweren. (Die Desynchronisation beispielsweise, die beim Beenden der Bewegungs- vorstellung den gegenteiligen Effekt bewirken kann)

    • 5. Artefakte

    Auch wenn immer darauf zu achten ist, dass Artefakte von Muskelbewegungen nicht auftreten, kann dies natürlich dennoch immer wieder auftreten. Zum Beispiel bewegt sich der Ball bei Blinzeln oder Schluckbewegungen falsch, da die elektrische Aktivität der beteiligten Muskeln sich auf das EEG auswirkt.

    5.3 Fazit

    Der schwierigste Aspekt der Steuerung war im Grunde die Umstellung von Training auf Applikation mit Feedback und die Tatsache der zeitlichen Verzögerung, die ja ihre Probleme mit sich bringt. Das Gefühl bei der Steuerung eines Programmes durch die reine Vostellungskraft ist schwierig zu beschreiben. Es bewegt sich zwischen "völlig normal" bis "abgefahren" und "irreal". Ich konnte mich nicht enthalten, immer wieder zu zweifeln, ob nun wirklich ein kausaler Zusammenhang zwischen der Vorstellung der Bewegung meinerseits und der ausgeführten Aktion seitens des Computers bestünde, gleichwohl dieser für mich durch meine Arbeit selbstverständlich klar war.

    Dennoch hat mir dieser Versuch sehr viel Spaß gemacht, und ich wäre jederzeit bereit, einen solchen zu wiederholen, gleichwohl die hohe erforderliche Konzentration ziemlich "an die Substanz" geht.

    6. Auswertung

    Zum Abschluss meiner schriftlichen Arbeit möchte ich kurz meine Erfahrungen und meine Schlüsse aus der verfertigten Arbeit notieren.

    • 6.1 Das Gehirn

    Ein gar nicht unwesentlicher Teil meiner Jahresarbeit war das menschliche Gehirn, mit welchem ich mich nicht nur beschäftigt habe, weil es für das Thema Brain-Computer Interface von Relevanz ist, sondern auch weil gerade das Gehirn mich sehr stark inte- ressiert.

    Durch Lesestoff konnte ich in diesem Bereich auch viel lernen, was ich nur in geringen Teilen hier verarbeiten konnte. Es war jedenfalls sehr interessant zu erfahren, wie das Gehirn so funktioniert, was wir bereits über das Gehirn wissen, und wieviel wir letztend- lich noch nicht wissen. Einige Fakten haben mich doch überrascht und tatsächlich auch mein Verhalten im Alltag verändert, ähnlich wie es bereits Johann Lieb in seiner Jah- resarbeit 2006 geschrieben hat. Ich bin mittlerweile etwas kritischer gegenüber meiner Erinnerung geworden und räume auch für mich selber ein, dass eine Erinnerung, die mir als richtig erscheint, nicht immer absolut richtig sein muss. Auch habe ich mich da- hin bewegt, das Gehirn stärker als Teil meiner selbst zu erkennen. Das erscheint auf den ersten Blick paradox, da ja gerade das Gehirn den Menschen vom Tier unterschei- det (das ist zumindest meine Meinung), wird aber klarer, wenn wir betrachten, dass verhältnismäßig kleine Krankheiten das Wesen des Menschen in großem Maße verän- dern können, und unser "freier Wille" der Entscheidung des Gehirns teilweise um Se- kunden nachhängt. Als ich das erste Mal mit dieser Entdeckung konfrontiert wurde, be- gann ich natürlich, und das lag in diesem Falle auch in der Intention des Vortragenden (in diesem Falle handelte es sich um einen Vortrag zu Gehirn und Computer von Klaus- Robert Müller), meinen "freien Willen" anzuzweifeln, und damit letztlich die menschli- che Existenz nicht mehr so ganz ernst zu nehmen. Ich bin jedoch über die Zeit und durch meine Arbeit so weit gekommen, dass ich das Gehirn, mit allen seinen Teilen, also auch solchen scheinbar unfreien Entscheidungen, als das meine zu akzeptieren. Denn auch wenn mein Gehirn ohne mein bewusstes Zutun entscheidet, entscheide in der Konsequenz letztendlich doch ich.

    • 6.2 Die Brain-Computer Interaktion

    Auf das Thema Brain-Computer Interface bin ich insbesondere durch einen Artikel in ei- ner Zeitung gekommen, das Thema erweckte vor ca. zwei Jahren also meine Neugier. Dass ich es wirklich als Jahresarbeitsthema wählen würde, erschien mir aber eher un- wahrscheinlich, da das Thema doch ziemlich weit entfernt von den Standard-Themen und einer einfachen Themenwahl lag.

    Als man mir aber in der TU versicherte, man könne mir gerne bei der Durchführung meiner Jahresarbeit helfen, entschied ich mich ziemlich schnell, diese Chance zu er- greifen und mich mit der Thematik auseinanderzusetzen.

    Diese konnte ich in der Zeit noch wesentlich vertiefen, dennoch stehe ich gerade erst am Anfang eines großen Bereiches, den man noch erforschen könnte. Und dieser Be-

    Kapitel 6
    Kapitel 6
    Auswertung
    Auswertung

    reich wird noch weiter erforscht werden, bereits jetzt arbeiten ja weltweit einige For-

    scherteams an der Thematik. Microsoft hat unlängst ein Patent 1 dazu herausgegeben und die Medien zeigen ein hohes Interesse, auch wenn die Forschung immer kritisch begleitet wird, insbesondere in Hinblick auf die utopische Vision des Gedankenlesens. Dies war übrigens, das muss ich zugeben, auch eine Motivation, mehr über die Metho- den in diesem Bereich zu erfahren, da ich oben genannte Vision sehr spannend finde. Sich Menschen vorzustellen, die per Elektroden auf dem Kopf und WLAN miteinander ohne irgendeine Muskelbewegung kommunizieren, ist verführerisch, wenn auch äu- ßerst unpraktikabel und auch ein klein wenig beunruhigend.

    In diese Richtung wird die Forschung im Bereich des Brain-Computer Interface vorerst aber nicht gehen. Momentan dürfte es vielmehr Ziel sein, robustere Klassifkatoren zu entwickeln, um Rollstühle, Prothesen und ähnliche Hilfsmittel für körperbehinderte Menschen bereitstellen zu können, die möglichst einfach bzw. natürlich gesteuert wer- den können. Dies dürfte das primäre Ziel der nächsten Jahre sein, auch wenn der Blick in den Unterhaltungssektor auch für große Firmen wie Microsoft und Spielehersteller von nicht unerheblichem Interesse sein dürfte. Doch vorerst ist das noch weit entfernt, wie mein praktischer Versuch ja recht gut verdeutlicht. Meine Mentorin, Ulrike Böttger, hat mir beim Durchsehen an die entsprechende Stelle geschrieben, das sei ja eher eine "Tortur" denn eine Möglichkeit, mit einem Computer zu kommunizieren. Diesen Satz würde ich so nicht unterschreiben, denn neben den offensichtlichen Nachteilen bei der Benutzung eines BCI, bringt diese auch einige großartige Erlebnisse. Dennoch ist es natürlich nicht zu negieren, dass die Begleitumstände eines Brain-Computer In- terface momentan noch alles andere als nutzerfreundlich sind.

    6.3 Die Jahresarbeit

    Der wohl größte Defizit meiner Jahresarbeit war wohl die recht schlechte Zeiteinteilung. Da ich vor den Weihnachtsferien eher halbherzig am Thema gearbeitet hatte, liefen die letzten zwei Monate vor der Präsentation der Jahresarbeit nicht ganz stressfrei ab, und ich habe gemerkt, dass ich meine Zeit hätte besser nutzen können.

    Auch ist mein praktischer Teil etwas zu kurz gekommen, das Thema erlaubt aber auch nur relativ schwer eine praktische Arbeit, die auch dadurch wesentlich erschwert wur- de, dass sich das Thema Brain-Computer Interface nicht mal eben so zu Hause prak- tisch bearbeiten lässt.

    Dafür habe ich mich in einem größeren Maße meiner schriftlichen Arbeit gewidmet und diese, wie sie hier vorlegt, relativ umfangreich angefertigt. Hier war es spannend zu er- fahren, wie die Arbeit an einem langen Text vorangeht, was zu beachten war und wo die Schwierigkeiten lagen. So war ich zum Beispiel am Anfang meiner Arbeit noch sehr unsicher in den Formulierungen, da ich immer zwischen eher schlechten, umgangs- sprachlichen Formulierungen und fachlich komplizierten Formulierungen hin und her schwankte. Ich glaube am Ende der Arbeit am schriftlichen Teil habe ich das etwas besser in den Griff bekommen.

    Zu meiner schriftlichen Arbeit wäre noch zu sagen, dass ich sie keineswegs von vorne nach hinten geschrieben, sondern mit Kapitel 4 angefangen und über Kapitel 2 und Ka- pitel 5 zu Kapitel 3 gekommen bin. Das ist eine für mich ungewohnte Arbeitsweise, die aber sehr spannend ist, und mir durchaus sehr gut gefallen hat. Ich habe also in meiner schriftlichen Arbeit immerhin ansatzweise nachempfinden können, wie die Arbeit an ei- ner Diplomarbeit oder Dissertation sein muss, wo die Schwierigkeiten liegen und war- um das Ganze auch ein bisschen Spaß macht.

    • 1 United States Patent Application: 0070185697

    Kapitel 6
    Kapitel 6
    Auswertung
    Auswertung

    Ich habe durchaus das Gefühl, relativ tief in das Thema eingestiegen zu sein, welches mich auch sehr interessiert hat, und weiter interessiert. Wer weiß, vielleicht werde ich mich mit diesem Thema in meiner Zukunft noch stärker beschäftigen?

    7. Literaturverzeichnis

    Die Quellen des schriftlichen Teils meiner Jahresarbeit finden Sie hier.

    [Aloise et.al.] F. Aloise, A. Amadoro, D. Mattia, F. Babiloni, A. E. Fiorilla, S. Salinari, M. G. Marciani, F. Cinotti. Device for haptic feedback in Brain-Computer Inter- face experimentation

    [Aloise et.al. 2 ] F. Aloise, N. Caporusso, D. Mattia, F. Babiloni, L. Kauhanen, J. del R. Millán, M. Nuttin, M. G. Maciani, F. Cincotti. Brain-machine interfaces through control of electroencephalographic signals and vibrotactile feedback.

    [Blankertz et.al.] B. Blankertz, G. Dornhege, M. Krauledat, M. Schröder, J. Williamson, R. Murray-Smith, K-R. Müller. The Berlin Brain-Computer Interface Presents the novel mental Typewriter Hex-o-spell

    [Bufalari et.al.]S. Bufalari, F. Aloise, L. Giuliani, f. Cincotti, F. Babiloni, P. W. Ferrez, J. del. R. Millán, J. Philips, M. Nuttin, M.G. Marciani, D. Mattia. Training Paraa- digm to Control a BCI-Operated Robot Wheelchair in Tetraplegic Subjects, BCI Meets Robotics, Challenging Issues in Brain Computer Interaction and Shared Control, November 2007

    [Calvo et.al.] R. A. Calvo, G. Gargiulo, A. v. Schaik, C. Jin. Penso: Towards a Wearable BCI, BCI Meets Robotics, Challenging Issues in Brain Computer Interaction and Shared Control, November 2007

    [Carpaneto et.al.] J. Carpaneto, V. Raos, M.A. Umiltà, V. Gallese, S. Micera. On the Development of a High-Level Implantable Cortical Neural Prosthesis for the Control of Dexterous Artificial Hands, BCI Meets Robotics, Challenging Issu- es in Brain Computer Interaction and Shared Control, November 2007

    [Dario et.al.] P. Dario, M.C. Carrozza†, A. Menciassi, S. Micera, M. Zecca, G. Cappiel- lo†, F. Sebastiani†, C. Freschi. On the development of a cybernetic hand pro- thesis

    [Dashuber et.al.] R. Dashuber, T. Zander, M. Schmidt-Daffy, C. Kothe, M. de Filippis, S. Röttger, A. Klostermann, A. Loth, N. Külzow, M. Rötting, Introducing Adaptive Passive Control via Mental Workload to Brain-Computer Interface, BCI Meets Robotics, Challenging Issues in Brain Computer Interaction and Shared Con- trol, November 2007

    Kapitel 7
    Kapitel 7

    Quellenverzeichnis

    [Geng et.al.] Tao Geng, John Q. Gan, A 3-class Asynchronous BCI for Controlling Mo- bile Robots, BCI Meets Robotics, Challenging Issues in Brain Computer In- teraction and Shared Control, November 2007

    [Hüntemann et.al.] A. Hüntemann, E. Demeester, D. Vanhooydonck, G. Vanacker, J.

    Philps, H. Van Brussel, M. Nuttin, A Bayesian Approach to User-adapted Plan Recognition and Shared Wheelchair Control, BCI Meets Robotics, Chal- lenging Issues in Brain Computer Interaction and Shared Control, November

    2007

    [Kauhanen et.al.] L. Kauhanen, T. Palomäki, P. Jylänki, F. Aloise, M. Nuttin, J. del R. Millán. Haptic feedback compared with visual feedback for BCI

    [van Langhenhove et.al.] A. Van Langhenhove, M.H. Bekaert, F. Cabestaing. Leaving

    the Lab: a Portable and Quickly Tunable BCI, BCI Meets Robotics, Challen- ging Issues in Brain Computer Interaction and Shared Control, November

    2007

    [Lehembre et.al.] R. Lehembre, C. Mühl, U. Gundogdu, A. Sayin, M. Soleymani, C. Er- kur. Auditory vs Visual Feedback in an Asynchronous Brain Computer Inter- face, BCI Meets Robotics, Challenging Issues in Brain Computer Interaction and Shared Control, November 2007

    [Lüth et.al.] T. Lüth, B. Graimann, D. Valbuena, M. Cyriacks, D. Ojdanic, O. Prenzel, A. Gräser. A Brain-Computer Interface for Controlling a Rehabilitation Robot, BCI Meets Robotics, Challenging Issues in Brain Computer Interaction and Shared Control, November 2007

    [Nijboer et.al.] F. Nijboer, A. Furdea, I. Gunst, J. Mellinger, DJ McFarland, N. Birbauer, A. Kübler. An auditory Brain-Computer Interface, Februar 2007 Journal of Neuroscience Methods

    [H. Scherberger] Hansjörg Scherberger. Predicting Hand Movements from the Promo- tor and Parietal Cortex, BCI Meets Robotics, Challenging Issues in Brain Computer Interaction and Shared Control, November 2007

    [Tocci et.al.] A. Tocci, F. Aloise, P.W. Ferrez, F. Galán, L. Forastiere, D. Mattia, F. Babi- loni, J. del R. Millán, M.G. Marchiani, F. Cincotti. Does Feedback Modality In- fluence Error Potential Generation during BCI Operation? BCI Meets Robo- tics, Challenging Issues in Brain Computer Interaction and Shared Control, November 2007

    [Tsoli et.al.] A. Tsoli, O. C. Jenkins. 2D Subspaces for User-Driven Robot Grasping

    Kapitel 7
    Kapitel 7

    Quellenverzeichnis

    [Perrin et.al.] X. Perrin, R. Chavarriaga, C. Ray, R. Siegwart, J. del R. Millán. A Compa- rative Psychopyhsical and EEG Studies of Different Feedback Modalities for HRI, BCI Meets Robotics, Challenging Issues in Brain Computer Interaction and Shared Control, November 2007

    [Vanhooydonck et.al.] D. Vanhooydonck, F. Galán, J. Philips, P. W. Ferrez, G. Vana-

    cker, E. Demeester, A. Huentemann, J. del R. Millán, H. Van Brussel, M. Nut- tin. Experiments with the Brain-Actuated Wheelchair Sharioto, BCI Meets Ro- botics, Challenging Issues in Brain Computer Interaction and Shared Control, November 2007

    [Vanhooydonck et.al. 2 ] D. Vanhooydonck, E. 'Demeester, G. Vanacker, A. Hüntemann, J. Philips, H. Van Brussel, M. Nuttin. Shared Control for Intelligent Wheel- chairs: Estimation of the User Intention based on an Implicit Personalized User Model, BCI Meets Robotics, Challenging Issues in Brain Computer In- teraction and Shared Control, November 2007

    [Welke et.al.] S. Welke, T. Zander, C. Kothe, M. Rötting. Robust Distinguishability of Dif- ferent Imagined Hand Movements, BCI Meets Robotics, Challenging Issues in Brain Computer Interaction and Shared Control, November 2007

    Weitere Quellen:

    John J. Ratey: Das menschliche Gehirn - Eine Gebrauchsanweisung, Walter Verlag

    2001

    Hermann Haken, Maria Haken-Krell: Gehirn und Verhalten, Deutsche Verlags-Anstalt

    1997

    Johann Lieb: Das menschliche Gehirn, Jahresarbeit FWS Kleinmachnow 2006

    • S. Welke: Definition und Realisierung einer 3-Klassen Steuerung in der Brain-Compu- ter-Interaction, Diplomarbeit TU Berlin, 2007

    • G. Dornhege: Increasing Information Transfer Rates for Brain-Computer Interfacing, Dissertation Universität Potsdam, 2006

    • C. Keinrath: EEG-Desynchronisation im Alpha-Band bei Durchführung lateralisierter Reaktionsaufgaben unter Einfluss des autokinetischen Effekts, Diplomarbeit Karl-Franzen-Universität Graz, 2002

    • R. Ryota Tomioka, Guido Dornhege, Guido Nolte, Benjamin Blankerts, Kazuyuki Aihara und Klaus-Robert Müller: Spectrally weighted Common Spatial Pattern algo- rithm for single trial EEG classification, Mathematical engineering technical reports, 2006

    • R. Krepki: Design and Implementation of an Online BCI System for the Control in Ga- ming Applications and Virtual Lims, Dissertation TU Berlin, 2004

    Kapitel 7
    Kapitel 7

    Quellenverzeichnis

    • G. Dornhege, B. Blankertz, G. Curio, K.-R. Müller: Increase Information transfer rates in BCI by CSP extension to multi-class, 2006

    K.-R. Müller, M. Krauledat, G. Dornhege, G. Curio, B. Blankertz: Machine learning techniques for Brain-Computer Interfaces, 2004

    • K. Fukunaga: Introduction to Statistical Pattern Recognition. Academic Press, San Die- go, 2nd edition, 1990

    Wikipedia, die freie Enzyklopädie: http://de.wikipedia.org