BCI-sift: An automated feature selection toolbox for Brain Computer Interface applications
Dieser Beitrag stellt BCI-sift vor, ein auf Python basierendes, mit scikit-learn kompatibles Werkzeugkasten, das die Merkmalsauswahl für Brain-Computer-Interface-Anwendungen automatisiert und anhand von HD-ECoG-Daten nachweist, dass sein optimierungsgetriebener Ansatz die Dekodiergenauigkeit und Interpretierbarkeit verbessert, indem er konsistente, biologisch relevante neuronale Merkmale über die Elektroden-, Zeit- und Frequenzdimensionen hinweg identifiziert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich Ihr Gehirn als eine riesige, geschäftige Stadt vor, in der Millionen von Lichtern (Elektroden) aufleuchten und erlöschen und Millionen von Radiosendern (Frequenzen) gleichzeitig senden. Wenn Sie versuchen, ein Wort zu sprechen, sind nur eine winzige Handvoll dieser Lichter und Sender tatsächlich mit der wichtigen Arbeit beschäftigt. Der Rest ist nur Hintergrundrauschen, Staus oder statisches Rauschen.
Damit eine Gehirn-Computer-Schnittstelle (BCI) funktioniert, muss sie die richtigen Lichter und Sender abhören, um zu verstehen, was Sie sagen möchten. Doch diese spezifischen Signale in einer so riesigen, lauten Stadt zu finden, ist unglaublich schwierig. Genau hier kommt BCI-sift ins Spiel.
Was ist BCI-sift?
Stellen Sie sich BCI-sift als einen superschlauen, automatisierten „Goldwäscher" für Gehirndaten vor. Genau wie ein Prospektor eine Schale verwendet, um durch einen Fluss aus Schlamm und Wasser zu waten und die winzigen Goldpartikel zu finden, durchsucht BCI-sift Berge von Gehirndaten, um die winzigen, wertvollen Signale zu finden, die für eine Aufgabe (wie das Sprechen eines Wortes) tatsächlich relevant sind.
Es ist ein kostenloses, quelloffenes Werkzeug (eine „Werkzeugkiste"), das in Python geschrieben ist und das Forscher nutzen können, um automatisch herauszufinden:
- Welche Elektroden (Lichter) wichtig sind.
- Welche Zeitpunkte (wann die Lichter aufleuchten) wichtig sind.
- Welche Frequenzen (Radiosender) wichtig sind.
Wie funktioniert es?
Die Werkzeugkiste verwendet verschiedene „Strategien", um die besten Signale zu finden, ähnlich wie verschiedene Methoden, ein unordentliches Zimmer aufzuräumen:
- Der „Aufräum-Zimmer"-Ansatz (Recursive Feature Elimination): Stellen Sie sich vor, Sie haben einen Raum voller Möbel, benötigen aber nur wenige Stücke, um ihn funktional zu machen. Diese Methode versucht, nacheinander ein Möbelstück zu entfernen. Wenn der Raum ohne es immer noch gut funktioniert, werfen Sie es weg. Sie fahren so lange fort, bis Sie die kleinste, effizienteste Menge an Möbeln übrig haben. Im Gehirn bedeutet dies, unwichtige Elektroden oder Frequenzen zu entfernen, bis nur noch das „Gold" übrig bleibt.
- Der „Nachbarschaft"-Ansatz (Contiguous Search): Manchmal sind die wichtigen Signale nicht zufällig verstreut; sie sind Nachbarn. Wenn ein Licht wichtig ist, sind die Lichter direkt daneben wahrscheinlich auch wichtig. Diese Methode sucht nach soliden Blöcken oder „Nachbarschaften" von Elektroden, die zusammenarbeiten, anstatt zufällige, verstreute auszuwählen.
- Der „Evolution"-Ansatz: Dies ist wie ein Spiel des Überlebens des Stärksten. Es werden viele zufällige Gruppen von Signalen erstellt, getestet, die besten behalten, gemischt und erneut versucht, wobei man sich langsam der perfekten Kombination nähert.
Was haben sie entdeckt?
Die Forscher testeten diese Werkzeugkiste an acht Personen, bei denen spezielle Gitter mit Elektroden direkt auf das Gehirn implantiert worden waren (ein Verfahren, das üblicherweise zur Epilepsiebehandlung durchgeführt wird). Diese Personen wurden gebeten, 12 verschiedene niederländische Wörter laut vorzulesen.
Hier ist, was der „Goldwäscher" fand:
- Das „Gold" liegt in den Hochfrequenzen: Als die Werkzeugkiste alle Radiosender betrachtete, stellte sie konsistent fest, dass das Hochfrequenzband (ein sehr schnelles, hochfrequentes Signal) am wichtigsten für das Verstehen von Sprache war. Die langsameren, tieferen Signale waren größtenteils Rauschen.
- Das „Gold" liegt in der Nähe des Sulcus centralis: Als sie die Karte des Gehirns betrachteten, wählte die Werkzeugkiste konsistent Elektroden aus, die direkt neben dem Sulcus centralis lagen (eine tiefe Furche im Gehirn, die den motorischen Bereich vom sensorischen Bereich trennt). Das ergibt perfekten Sinn, denn dort steuert das Gehirn Bewegung und Sprache.
- Der Zeitpunkt ist entscheidend: Die Werkzeugkitsu erkannte, dass die wichtigsten Signale genau um den Moment herum auftreten, in dem die Person mit dem Sprechen beginnt. Sie fand heraus, dass Signale, die weit vor oder weit nach der Sprache auftreten, größtenteils nutzloses Rauschen sind.
- Es kann unordentliche Daten bereinigen: In einem Experiment fügten die Forscher absichtlich „verrauschte" Elektroden (defekte oder mit statischem Rauschen gefüllte) wieder in die Mischung ein. Die Werkzeugkiste ignorierte sie automatisch, „entrauschte" die Daten effektiv und erzielte genau so gute Ergebnisse, als hätte ein Mensch zuvor die schlechten Elektroden manuell entfernt.
Warum ist das eine große Sache?
Vor diesem Tool mussten Forscher oft manuell raten, welche Gehirnsignale sie verwenden sollten, oder sie mussten für jedes einzelne neue Experiment benutzerdefinierten Code schreiben. Es war wie der Versuch, eine Nadel im Heuhaufen von Hand zu finden, eine nach der anderen.
BCI-sift ändert das Spiel, indem es:
- Es automatisiert: Es leistet die schwere Arbeit, die besten Signale zu finden, ohne dass ein Mensch raten muss.
- Es transparent macht: Es liefert nicht nur eine bessere Punktzahl; es zeigt, warum die Punktzahl besser ist, indem es genau auf die Gehirnareale und Zeitpunkte hinweist, die die Arbeit verrichten.
- Es flexibel ist: Da es so aufgebaut ist, dass es mit Standardwerkzeugen (genannt scikit-learn) funktioniert, kann es mit vielen verschiedenen Arten von Gehirndaten verwendet werden, nicht nur mit der spezifischen Art, die in dieser Studie getestet wurde.
Kurz gesagt ist BCI-sift ein vielseitiger, automatisierter Assistent, der Forschern hilft, durch das Rauschen der Gehirndaten zu schneiden, um die klaren, bedeutungsvollen Signale zu finden, die benötigt werden, um bessere Gehirn-Computer-Schnittstellen zu entwickeln.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.