EEG Microstate Sequences as Potential Brain-Computer Interface Triggers Derived from Motor Imagery Classification

Das menschliche Gehirn ist ein ständiger Strom elektrischer Aktivität, eine komplexe Sinfonie von Signalen, die sich in Millisekunden verschiebt und verändert. Jahrzehntelang standen Wissenschaftler, die versuchten, Maschinen zu bauen, die diese Signale lesen können, vor einem schwierigen Problem: Die Rohdaten sind überwältigend. Es ist eine chaotische Flut von Informationen aus tausenden Sensoren, die auf der Kopfhaut platziert sind, was es schwierig macht, die spezifischen Muster zu finden, die den Gedanken oder Absichten einer Person entsprechen. Um dies zu lösen, haben Forscher begonnen, die Gehirnaktivität nicht als kontinuierlichen, unordentlichen Fluss, sondern als eine Serie von distinkten, stabilen Schnappschüssen zu betrachten. Diese Schnappschüsse, bekannt als Mikrozustände, repräsentieren kurze Momente, in denen sich das Gehirn in einer spezifischen räumlichen Anordnung der Aktivität stabilisiert, bevor es schnell zum nächsten Zustand übergeht. Man kann sich diese Mikrozustände wie die grundlegenden Bausteine des Denkens vorstellen, die Basiseinheiten, die sich zu unseren internen mentalen Prozessen kombinieren. Wenn Wissenschaftler lernen könnten, die Sequenz dieser Bausteine zu erkennen und zu verfolgen, könnten sie einen einfacheren, zuverlässigeren Weg entwickeln, damit Menschen allein mit ihrem Geist mit Computern kommunizieren können.

Eine aktuelle Studie untersuchte, ob diese Sequenzen von Gehirn-Schnappschüssen als Auslöser für eine Gehirn-Computer-Schnittstelle dienen könnten – ein Gerät, das neuronale Aktivität in Befehle übersetzt. Die Forscher konzentrierten sich auf eine spezifische mentale Aufgabe: das Vorstellen der Bewegung entweder der linken oder der rechten Hand. Dies ist eine gängige Übung in der Gehirn-Computer-Forschung, da das Gehirn in unterschiedlichen Bereichen aufleuchtet, je nachdem, welche Hand eine Person sich bewegen sieht. Anstatt die rohen elektrischen Signale direkt zu analysieren, konvertierte das Team die Daten zuerst in diese Mikrozustands-Sequenzen. Sie speisten diese vereinfachten Informationen dann in ein hochentwickeltes Computermodell ein, das darauf ausgelegt ist, Muster zu erlernen. Dieses Modell wurde aus zwei Teilen aufgebaut: einem Abschnitt, der lernte, die Gehirnmuster aus den Daten zu rekonstruieren, und einem anderen, der lernte, sie in Kategorien zu sortieren. Die Forscher testeten zwei Möglichkeiten, dieses Modell zu trainieren. In der ersten Methode trainierten sie die beiden Abschnitte getrennt, so wie man einen Schüler erst das Lesen lehrt, bevor man ihm das Schreiben lehrt. In der zweiten Methode trainierten sie das gesamte System gleichzeitig, sodass die Teile gleichzeitig voneinander lernen konnten.

Die Ergebnisse zeigten, dass dieser Ansatz bemerkenswert gut funktionierte. Das Computermodell lernte erfolgreich, zwischen den Gehirnmustern zu unterscheiden, die mit der Vorstellung der linken Hand und denen, die mit der Vorstellung der rechten Hand assoziiert sind. Wenn es am selben Probanden während derselben Sitzung getestet wurde, konnte das System die beabsichtigte Bewegung mit hoher Genauigkeit identifizieren. Noch wichtiger ist, dass die Forscher feststellten, dass das System in der Lage war, sich an neue Situationen anzupassen, ohne von vorne beginnen zu müssen. Durch den Einsatz einer Technik namens Transfer Learning, die es einem Modell ermöglicht, das in einem Kontext Gelernte auf einen neuen anzuwenden, erreichte das System Spitzen-Klassifizierungsgenauigkeiten von etwa 89 Prozent beim Wechsel zwischen verschiedenen Sitzungen oder sogar zwischen verschiedenen Personen. Dies deutet darauf hin, dass die spezifische Sequenz der Gehirnzustände ein robuster Signal ist, der nicht verschwindet, wenn sich die Testbedingungen ändern.

Der vielleicht praktischste Befund betrifft die Zeit, die für die Einrichtung eines solchen Systems benötigt wird. Ein großes Hindernis für Gehirn-Computer-Schnittstellen war der langwierige Kalibrierungsprozess, bei dem ein Nutzer stundenlang vor dem Gerät sitzen und es trainieren muss, um seine spezifischen Gehirnsignale zu verstehen. Die Studie untersuchte, wie viel Trainingsdaten notwendig waren, um ein nützliches Leistungsniveau zu erreichen. Sie fanden heraus, dass im Durchschnitt nur etwa 400 Sekunden an Daten nötig waren, um das System auf eine Genauigkeit von 80 Prozent zu kalibrieren. Dies ist eine signifikante Reduzierung der Zeit, die ein Nutzer für die Vorbereitung des Geräts aufwenden muss. Die Studie kommt zu dem Schluss, dass es möglich ist, eine benutzerfreundlichere Schnittstelle zu schaffen, indem man die komplexen, multikanaligen elektrischen Signale des Gehirns auf eine distinkte Anzahl von Zuständen über die Zeit reduziert und anschließend fortgeschrittene Lernmethoden auf diese Zustände anwendet. Obwohl sich die Arbeit noch in der Forschungsphase befindet, deuten die Ergebnisse darauf hin, dass die Verfolgung dieser Gehirntrajektorien einen vielversprechenden Weg zu Gehirn-Computer-Schnittstellen bietet, die weniger Vorbereitungszeit benötigen und in realen Anwendungen zuverlässiger funktionieren.