How Does a Single EEG Channel Tell Us About Brain States in Brain-Computer Interfaces ?

Technischer Zusammenfassung: Ein-Kanal-EEG zur Klassifizierung von Gehirnzuständen in BCIs

Problemstellung
Während die Elektroenzephalographie (EEG) aufgrund ihrer Nicht-Invasivität und hohen zeitlichen Auflösung ein Eckpfeiler der Brain-Computer-Interface (BCI)-Forschung ist, verlassen sich aktuelle Hochleistungssysteme typischerweise auf Mehrkanal-Setups, die die gesamte Kopfhaut abdecken. Diese Konfigurationen leiden unter hohen Kosten, komplexen Konfigurationen und reduzierter Mobilität, was ihre Adoption in „realen" und täglichen klinischen Anwendungen einschränkt. Obwohl ein-Kanal-EEG eine vielversprechende Alternative für tragbare Technologien bietet, bestehen erhebliche Herausforderungen darin, komplexe neurologische Phänomene (wie mentale Arithmetik und motorische Vorstellung) effektiv von einer einzelnen Elektrode zu decodieren, ohne die räumlichen Informationen, die Mehrkanal-Arrays bieten. Darüber hinaus konzentrieren sich bestehende Methoden oft darauf, auf allen Kanälen zu trainieren und auf einem zu testen, oder Merkmale für spezifische Aufgaben zu extrahieren, wodurch die Generalisierbarkeit von Modellen, die auf einem einzigen Kanal trainiert wurden, auf andere Kanäle weitgehend unerforscht bleibt.

Methodik
Die Studie schlägt eine Pipeline zur Klassifizierung kognitiver Aufgaben unter Verwendung von Ein-Kanal-EEG-Daten vor, die Convolutional Neural Networks (CNNs) mit einem Fokus auf spektral-zeitliche Merkmale nutzt. Der Arbeitsablauf umfasst drei Hauptphasen:

1. Datenerfassung und Vorverarbeitung: Die Studie nutzte drei verschiedene Datensätze mit gesunden Probanden, die Aufgaben der mentalen Arithmetik (MA) und der motorischen Vorstellung (MI) ausführten.
   • Datensatz 1 & 2: Konzentrierten sich auf MA-Aufgaben mit variierenden Elektrodenanzahlen (22 und 30 Kanäle).
   • Datensatz 3: Konzentrierte sich auf MI-Aufgaben (Ruhe, Hand, Ellbogen) mit 64 Kanälen.
   • Rohsignale wurden vorverarbeitet (Bandpassfilterung, Artefaktentfernung, Neu-Referenzierung) und in Epochen segmentiert.
2. Merkmalsextraktion: Anstatt manueller Merkmalskonstruktion setzte die Studie eine Zeit-Frequenz-Analyse ein. Die ereigniskorrelierte spektrale Leistung (ERSP) wurde verwendet, um aus den EEG-Epochen Spektrogramm-Bilder (fixiert auf 224 × 224 Pixel) zu generieren. Dieser Ansatz erfasst sowohl Frequenz- als auch zeitliche Dynamiken und behandelt die Daten als 2D-Bilder, die für die CNN-Verarbeitung geeignet sind.
3. Modellarchitektur und Trainingsstrategien:
   • Architektur: Ein flaches 2D-CNN wurde vorgeschlagen, bestehend aus zwei Blöcken von Conv2D-Schichten (50 Filter, 5×5 Kernel, ReLU-Aktivierung), gefolgt von Batch-Normalisierung und Max-Pooling. Dieses Design zielt darauf ab, die Merkmalsextraktionsfähigkeit mit einer geringen Rechenlast in Einklang zu bringen.
   • Strategie A (Mehrkanales Training, Ein-Kanal-Test): Das CNN wurde auf Daten aller verfügbaren Kanäle trainiert, um breite räumliche Muster zu erlernen. Anschließend wurde es einzeln auf jedem Kanal getestet, um die diskriminierende Kraft spezifischer Elektroden zu bewerten.
   • Strategie B (Ein-Kanal-Training, Ein-Kanal-Test): Das CNN wurde ausschließlich auf Daten eines spezifischen Kanals trainiert und anschließend auf allen anderen Kanälen getestet. Dieser Ansatz bewertet die Fähigkeit des Modells, erlernte Muster von einer einzigen Quelle auf diverse Bedingungen und Kanäle zu verallgemeinern.
   • Evaluation: Die Modelle wurden unter Verwendung einer 10-fachen Kreuzvalidierung (Aufteilung der Daten in 70 % Training, 15 % Validierung, 15 % Test) über 15.840 bis 93.000 Versuche hinweg evaluiert. Die Metriken umfassten Genauigkeit, Sensitivität, Spezifität und F1-Score.

Hauptergebnisse
Die Studie zeigte, dass Ein-Kanal-EEG-Systemen eine robuste Klassifizierungsleistung für sowohl MA- als auch MI-Aufgaben erreichen können:

• Gesamtleistung: Das flache CNN schnitt in Bezug auf das Verhältnis von Genauigkeit zu Rechenlast signifikant besser ab als traditionelle Methoden (wie shrinkage Linear Discriminant Analysis und Support Vector Machines) und tiefere Architekturen (wie GoogLeNet und ShuffleNet).
  • Datensatz 1 (MA): Erzielte eine mediane Genauigkeit von 93,75 %.
  • Datensatz 2 (MA): Erzielte eine mediane Genauigkeit von 91,57 % (im Vergleich zu 75,9 % mit sLDA).
  • Datensatz 2 (MI): Erzielte eine mediane Genauigkeit von 87,80 % (im Vergleich zu 65,6 % mit sLDA).
  • Datensatz 3 (3-Klassen-MI): Erzielte eine mediane Genauigkeit von 86,75 % (im Vergleich zu 68,68 % mit SVM).
• Kanalspezifische Befunde:
  • Ergebnisse der Strategie A: Frontale und frontozentrale Kanäle (z. B. F4, AFF1h, FCC3h) zeigten die höchste Genauigkeit für Aufgaben der mentalen Arithmetik (bis zu 98,33 %), während zentrale und parietale Regionen (z. B. Pz, CCP3h) für motorische Vorstellung am besten abschnitten (bis zu 96,55 %). Temporale Kanäle zeigten im Allgemeinen eine geringere Leistung für diese spezifischen Aufgaben.
  • Ergebnisse der Strategie B: Das Modell zeigte eine starke Generalisierbarkeit. Beispielsweise ermöglichte es das Training auf Kanälen wie POO1, POO2 und P4 in Datensatz 1 dem Modell, eine Genauigkeit von 100 % zu erreichen, wenn es auf Kanälen wie P7, P3 und C3 getestet wurde. In Datensatz 2 führte das Training auf spezifischen Kanälen zu Genauigkeiten von bis zu 91,55 % für MA und 73,45 % für MI, wenn auf anderen Kanälen getestet wurde.
• Modell-Effizienz: Das flache CNN bot einen günstigen Kompromiss, indem es die hohe Rechenlast tieferer Netzwerke (wie LSTM oder GoogLeNet) vermied und gleichzeitig eine überlegene Genauigkeit beibehielt.

Bedeutung und Behauptungen
Die Autoren behaupten, dass diese Studie zur Entwicklung praktischer, kostengünstiger und benutzerfreundlicher Ein-Kanal-BCI-Systeme beiträgt. Die Bedeutung der Arbeit liegt in:

1. Durchführbarkeit von Ein-Kanal-BCIs: Der Nachweis, dass komplexe Gehirnzustände mit einer einzelnen Elektrode decodiert werden können, was potenziell die Notwendigkeit von umständlichen Mehr-Elektroden-Helmen in realen Anwendungen eliminiert.
2. Robuste Biomarker: Die Identifizierung spezifischer EEG-Kanäle (ROIs), die für bestimmte Aufgaben am effektivsten sind, was die Optimierung der Elektrodenplatzierung für tragbare Geräte leiten kann.
3. Generalisierbarkeit: Der Nachweis, dass Modelle, die auf einzelnen Kanälen trainiert wurden, auf andere Kanäle verallgemeinern können, was darauf hindeutet, dass die zugrunde liegenden neuronalen Merkmale über die Kopfhaut hinweg übertragbar sind, was die Anpassungsfähigkeit EEG-basierter Diagnostik unterstützt.
4. Rechnerische Effizienz: Die Validierung, dass flache neuronale Netze für diese Aufgabe ausreichend sind, was sie für den Einsatz auf portabler, ressourcenbeschränkter tragbarer Hardware geeignet macht.

Die Arbeit schließt damit, dass Mehrkanalsysteme zwar eine hohe räumliche Auflösung bieten, Ein-Kanal-Ansätze, die durch Deep-Learning-Frameworks unterstützt werden, jedoch ein transformatives Potenzial für den Einsatz von BCIs im Alltag bieten, indem sie die Einfachheit des Systems mit einer angemessenen Klassifizierungsgenauigkeit in Einklang bringen.