Feature selection for brain-computer interfaces [Elektronische Ressource] / vorgelegt von Michael W. Tangermann

Sujets

• Informatik

Informations

• Publié par: eberhard_karls_universitat_tubingen
• Publié le: 01 janvier 2007
• Nombre de lectures: 68
• Langue: English
• Poids de l'ouvrage: 3 Mo

Extrait

Feature Selection for
Brain-Computer Interfaces
Dissertation
der Fakultät für Informations- und Kognitionswissenschaften
der Eberhard-Karls-Universität Tübingen
zur Erlangung des Grades eines
Doktors der Naturwissenschaften
(Dr. rer. nat.)
vorgelegt von
Dipl.-Inform. Michael W. Tangermann
aus Berlin
Tübingen
2007Tag der mündlichen Prüfung: 11.7.2007
Dekan Prof. Dr. Michael Diehl
1. Berichterstatter: Prof. Dr. Wolfgang Rosenstiel
2. Prof. Dr. Bernhard Schölkopf (MPI Tübingen)Dedicated to the patients.Acknowledgment
The author would like to thank Prof. Dr. Wolfgang Rosenstiel and all the collegues in Tübingen and Berlin for fruitful
discussions, for support and funding of the BCI project. Special thanks go to my project partners Navin Lal, Jeremy
Hill and Prof. Dr. Bernhard Schölkopf at the MPI Tübingen as well as to Dr. Thilo Hinterberger and Prof. Dr. Niels
Birbaumer at the Institut für medizinische Psychologie und Verhaltensneurobiologie Tübingen for the long and fruitful
interdisciplinary collaboration on this difficult field we work on. Thanks goes also to Ulrike Romberg, my students at the
University of Tübingen that performed restless data processing and to Bernd Battes and Prof. Dr. Kuno Kirschfeld for
their support with the EEG recordings. The work was kindly supported by the Deutsche Forschungsgemeinschaft DFG
under the SFB 550, B5 and grant RO 1030/12, and by the National Institute of Health (D.31.03765.2). I am indebted to
my wife, my friends and my family for the support in those more difficult times of writing.
vAbstract
Brain-Computer Interface (BCI) systems are a means of establishing communication for severely paralyzed patients.
Based on the brain activity signals during the execution of mental tasks by a user, a computer system translates those
signals first into higher-level features and finally into control commands for communication interfaces. This involves a
number of algorithmic steps that have to be optimized individually for each patient in order to attain high performance
of the BCI. One of these steps is the choice of a suitable set of brain signal features. This set is supposed to provide
good discriminability of the mental tasks, allow for introspection, simplify the experimental effort and thus increase
acceptance in patients. In terms of EEG electrodes, a smaller feature set entails a reduction of the immense effort of the
daily setting-up of electrodes prior to the start of an experiment. The problem of feature selection is hard to tackle as
optimal features may vary between subjects and even between sessions with the same subject.
This thesis proposes a new signal processing framework for BCI that incorporates a quick and fully algorithmic fea-
ture selection step combined with an SVM classification in embedded form. For the evaluation of this new methodology,
the results of own online and offline studies with electroencephalogram (EEG), electrocorticogram (ECoG) and magne-
toencephalogram (MEG) will be presented, including the first ever implementation of a motor-imagery BCI system in
MEG. In addition, the framework has been evaluated against several existing filter and wrapper approaches for feature
selection. According to these results, the new method is capable of adapting to the changing signal characteristics of
BCI users, can be used without prior neurophysiological knowledge about underlying mental tasks, reduces the number
of features from several hundreds to just about 10% of the original features all while remaining highly accurate in terms
of classification performance. Furthermore, the results of the feature selection step prove to be plausible in terms of
neurophysiology, i.e. chosen EEG channels agree well with the expected underlying cortical activity patterns during
the mental tasks. Under restricted conditions, it is shown that the optimized feature sets determined by the new signal
processing framework can be transferred across subjects with only a small drop in performance.
Zusammenfassung
Ein Brain-Computer-Interface-System (BCI) bietet schwerstgelähmten Patienten eine Möglichkeit zu kommunizieren.
Während sie verschiedene mentale Aufgaben ausführen, was kurzzeitig zu unterschiedlichen mentalen Zuständen führt,
werden die Gehirnsignale der Patienten aufgezeichnet. Aus diesen Signalen extrahiert ein Computersystem zuerst kom-
plexe Merkmale und übersetzt diese in einem zweiten Schritt in Kontrollsignale zur Steuerung einer Kommunikations-
anwendung. Extraktion und Übersetzung der Signale werden durch z.T. lernende Algorithmen realisiert, welche für je-
den Benutzer individuell angepasst werden müssen, um eine optimale Leistungsfähigkeit des BCI-Systems zu erzielen.
Einer der zu optimierenden Schritte ist die Selektion einer geeigneten Menge von Merkmalen. Diese Merkmalsmenge
soll eine möglichst exakte Unterscheidung der mentalen Zustände ermöglichen, durch Einblick in die Lösung das Ver-
ständnis für diesen Lösungsansatz erhöhen, den experimentellen Aufwand absenken und damit die Akzeptanz für das
BCI-System bei den Benutzern erhöhen. Sieht man EEG Elektroden als Merkmale an, so ist die Auswahl einer kleineren
Merkmalsmenge äuSSerst wünschenswert - sie verkleinert den immensen täglichen Aufwand für das Setzen der Elektro-
den vor dem Beginn der Kommunikation per BCI. Das Problem der Merkmalsselektion ist außerordentlich schwierig zu
lösen, da optimale Merkmale sowohl zwischen Benutzern als auch zwischen Sitzungen des gleichen Benutzers variieren.
Diese Doktorarbeit schlägt zur Lösung des Problems eine neue Methode für die Signalverarbeitung in BCI Systemen
vor. Sie umfasst eine schnelle algorithmische Merkmalsauswahl, die mit der Signalklassifikation durch Support-Vektor-
Maschinen (SVM) in eingebetteter Form kombiniert wird. Zur Evaluierung dieses neuen Ansatzes werden die Ergeb-
nisse eigener Studien mit unterschiedlichen Signalquellen präsentiert. Sie umfassen BCI Experimente mit Messungen
des Elektroezephalogramms (EEG), des Elektrokortikogramms (ECoG) und des Magnetenzephalogramms (MEG). Für
die Experimente dieser Doktorarbeit wurde außerdem erstmalig ein auf motorischen Vorstellungen basierendes BCI-
System mit MEG-Signalen realisiert und online getestet. Zur Validierung der neu vorgeschlagenen Methode wurde sie
mit bekannten Filter- und Wrappermethoden für die Merkmalsselektion bei BCI verglichen. Die Ergebnisse zeigen,
dass sich die neue Methode an die wechselnde Signalcharakteristika von Benutzern anpassen kann. Sie kann ohne
neurophysiologisches Vorwissen über die zugrundeliegenden Hirnvorgänge angewendet werden und ist damit auch für
neuartige mentale Aufgaben geeignet. Sie schafft es, die Anzahl der Merkmale von initial mehreren Hundert auf unge-
fähr 10% der Ausgangsmenge zu reduzieren, während eine hohe Klassifikationsgenauigkeit beibehalten wird. Die von
der Methode ausgewählten Merkmale stimmen mit denjenigen überein, die man durch neurophysiologisches Grund-
lagenwissen erwarten kann - die gewählten EEG-Kanäle etwa liegen über denjenigen kortikalen Gebieten, von denen
viiman erwartet, dass sie für die Vorstellungsaufgaben relevant sind. Für die erschwerte Aufgabenstellung der Übertragung
von Merkmalsmengen von Benutzer zu Benutzer konnte gezeigt werden, dass dies mit Merkmalsmengen, die durch die
neue Methode bestimmt wurden, mit nur kleinen Abstrichen in der Klassifikationsgenauigkeit möglich ist.
viiiContents
1 Introduction 1
2 Fundamentals 3
2.1 Relevant Structures of the Human Brain .................................. 3
2.1.1 Neurons and their Electrical Activity . .............................. 3
2.1.2 Functional Organization of the Cerebral Cortex . ......................... 5
2.1.3 Neuronal Activity in the Cerebral Cortex ............................. 5
2.2 Recording Techniques . . . ........................................ 7
2.2.1 Electroencephalogram (EEG) ................................... 7
2.2.2 Electrocorticogram (ECoG) . 9
2.2.3 Magnetoencephalogram (MEG) 10
2.3 Extracting Features from Brain Activity Signals 11
2.3.1 Time Series Features 12
2.3.2 Spatial Features . . . 12
2.3.3 Frequency Features . 13
2.4 Classification ................................................ 16
2.4.1 Classification Task . ........................................ 16
2.4.2 Notation . . ............................................ 17
2.4.3 Support Vector Machine . . . ................................... 17
2.4.4 The Need for Model Selection 18
2.4.5 Generalization Error Estimation .................................. 18
2.5 Algorithmic Feature Selection ....................................... 18
2.5.1 Filter Methods . . . 20
2.5.2 Wrapper Methods . . ........................................ 21
3 State-of-the-Art BCI Techniques 23
3.1 BCI Systems in a Nutshell . 23
3.2 Application Fields for BCI Systems . 24
3.3 Working with Patients 25
3.4 BCI Paradigms . . . 26
3.4.1 Subjects, Patients and their (Dis)Abilities ............................. 26
3.4.2 Learning in a BCI System . . ................................... 26
3.4.3 Experimental Tasks and Exploited Signals 26
3.4.4 Binary vs. Multi-class ........................