Average Rankings Mask Per-Subject Optimality: A Friedman–Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders

Das menschliche Gehirn ist eine weite, verrauschte Landschaft aus elektrischen Signalen. Wenn wir uns vorstellen, eine Hand zu bewegen, selbst ohne sie tatsächlich zu bewegen, ziehen spezifische Muster von Elektrizität über die Kopfhaut. Gehirn-Computer-Schnittstellen, oder BCIs, sind Geräte, die darauf ausgelegt sind, diesen Flüstern zuzuhören und sie in Befehle für Computer oder Roboterarme zu übersetzen. Für Menschen, die aufgrund von Verletzungen oder Krankheiten ihre Muskeln nicht bewegen können, bietet diese Technologie eine Lebensader – einen Weg, zu kommunizieren oder ihre Umgebung allein durch Gedanken zu steuern. Das Gehirn ist jedoch zutiefst persönlich. Die elektrischen Muster der Vorstellungskraft eines Menschen sehen anders aus als die eines anderen, und selbst die Signale derselben Person können sich von Tag zu Tag ändern, abhängig von Müdigkeit, Aufmerksamkeit oder der Positionierung der Sensoren auf dem Kopf. Diese Variabilität macht den Bau eines einzelnen, universellen Decoders – eines „Einheitslesers“ für das Gehirn, der für jeden perfekt funktioniert – zu einem schwer fassbaren Ziel.

Seit Jahren debattieren Forscher darüber, welche mathematische Methode am besten geeignet ist, diese Gedanken zu dekodieren. Die vorherrschende Weisheit auf diesem Gebiet hat oft auf einen einzelnen Champion hingewiesen: eine Technik, die auf der Geometrie der elektrischen Muster des Gehirns basiert, von der viele glaubten, sie sei die überlegene Wahl für alle. Eine neue Studie stellt diese Annahme infrage, indem sie eine einfachere, grundlegendere Frage stellt: Wenn man jeder möglichen Methode die absolut beste Chance gibt, bei einer einzelnen Person zu funktionieren, gewinnt dann immer noch eine Methode für alle? Die Antwort, so fanden die Forscher, lautet nein.

In dieser Studie setzte sich das Team zum Ziel, die Grenzen dieser Dekodierungsmethoden unter den günstigsten Bedingungen überhaupt zu testen. Sie sammelten Daten aus drei öffentlichen Sammlungen von Gehirnaufzeichnungen, die insgesamt über 160 Teilnehmer umfassten. Diese Teilnehmer hatten eine Standardaufgabe durchgeführt: das Vorstellen einer Bewegung der linken Hand im Gegensatz zur rechten Hand. Die Forscher versuchten nicht, Gedanken über verschiedene Tage oder verschiedene Personen hinweg vorherzusagen, was die schwierigste Herausforderung darstellt. Stattdessen konzentrierten sie sich auf das einfachste Szenario: die Verwendung der Daten aus einer einzigen Sitzung einer einzelnen Person, wobei ein Modell mit der Hälfte der Daten trainiert und mit der anderen Hälfte getestet wurde. Dieser Ansatz gibt jeder Methode ihre bestmögliche Chance.

Sie führten daraufhin einen massiven Vergleich durch. Sie testeten nicht nur eine oder zwei Methoden; sie konstruierten über tausend verschiedene Kombinationen von Werkzeugen. Jede Kombination beinhaltete eine Methode zur Merkmalsextraktion aus den Gehirnsignalen, eine Methode zur Bereinigung der Zahlen und einen spezifischen Typ von Rechner, um die endgültige Entscheidung zu treffen. Sie testeten diese tausenden Konfigurationen gegen die Daten jedes einzelnen Teilnehmers. Das Ziel war zu sehen, ob ein einziger „Gewinner“ hervorging, der alle anderen konsistent über das gesamte Spektrum hinweg übertraf.

Die Ergebnisse zeigten, dass einige Methoden zwar generell stark sind, aber keine einzelne Methode die beste für jeden ist. Zwei Familien von Methoden, eine basierend auf dem Auffinden räumlicher Muster und eine andere auf der geometrischen Struktur der Signale, schnitten im Durchschnitt am besten ab. Ihr Ranking hing jedoch vollständig davon ab, welche Gruppe von Menschen getestet wurde. In einem Datensatz war die geometrische Methode eindeutig überlegen. In dem größeren, vielfältigeren Datensatz waren die beiden Top-Methoden statistisch gleichauf und schnitten fast identisch ab.

Noch wichtiger war die Erkenntnis der Studie, dass sich die „beste“ Methode von Person zu Person änderte. In der größten Teilnehmergruppe war die insgesamt am besten performende Methode tatsächlich nur für etwa 35 Prozent der Menschen die beste Wahl. Für weitere 32 Prozent war eine völlig andere Art von Methode, eine, die auf die Komplexität und Unregelmäßigkeit der Signale schaut statt auf deren Geometrie, der klare Gewinner. Die verbleibenden Teilnehmer hatten ihre eigenen einzigartigen Vorlieben. Wenn ein Arzt oder Ingenieur müsste, nur eine einzige Methode für alle zu verwenden, würde er an Genauigkeit einbüßen. Durch die Abstimmung der spezifischen Methode auf die spezifische Person berechneten die Forscher, dass sie die Genauigkeit um etwa sieben Prozentpunkte verbessern könnten – ein signifikanter Gewinn in diesem Bereich.

Die Forscher untersuchten auch, ob diese Unterschiede lediglich darauf zurückzuführen waren, dass einige Methoden mehr Zahlen verwendeten als andere. Sie fanden heraus, dass die Anzahl der Datenpunkte die Ergebnisse nicht erklärte. Eine Methode, die sehr wenige Datenpunkte verwendete, konnte eine Methode übertreffen, die Tausende verwendete, und zwei Methoden, die exakt dieselbe Menge an Daten verwendeten, konnten sehr unterschiedlich abschneiden. Dies bewies, dass der Erfolg einer Methode von der spezifischen Struktur der Gehirnsignale des Einzelnen abhing und nicht von der Größe des mathematischen Modells.

Darüber hinaus zeigte die Studie, dass es einmal eine gute Methode zur Lesung der Gehirnsignale gewählt hatte, der spezifische Rechner, der die endgültige Entscheidung traf, eine untergeordnete Rolle spielte. Einfache, Standardwerkzeuge funktionierten genauso gut wie komplexe, flexible Werkzeuge. Dies deutet darauf hin, dass der Schlüssel zu besseren Gehirn-Schnittstellen nicht im Bau komplizierterer Rechner liegt, sondern in der sorgfältigen Auswahl der richtigen Art und Weise, die einzigartige Sprache des Gehirns für jeden Einzelnen zu lesen.

Die Studie kommt zu dem Schluss, dass die Idee eines universellen Decoders, der für jedes menschliche Gehirn perfekt funktioniert, wahrscheinlich ein Mythos ist. Die Variabilität zwischen den Menschen ist so tiefgreifend, dass eine einzige Pipeline nicht dominieren kann. Anstatt nach einer einzigen Wunderwaffe zu suchen, muss sich das Feld möglicherweise auf die Personalisierung konzentrieren. Der effektivste Weg nach vorn besteht darin, zu erkennen, dass das beste Werkzeug für eine Person das falsche Werkzeug für eine andere sein kann, und Systeme zu bauen, die sich an die einzigartige Neurophysiologie des jeweiligen Nutzers anpassen können. Dies ist kein Scheitern der Technologie, sondern eine Anerkennung der reichen Vielfalt des menschlichen Gehirns.