An Investigation of Cross-Subject Variability in EEG-EMG Fusion Models

Der menschliche Körper ist eine komplexe Maschine, bei der das Gehirn Befehle sendet und die Muskeln diese ausführen. Um Menschen zu helfen, die die Fähigkeit zur Bewegung verloren haben, versuchen Wissenschaftler seit langem, Maschinen zu bauen, die diese Befehle direkt lesen können. Sie betrachten dabei zwei Hauptsignale: die elektrische Aktivität des Gehirns, die den Plan zur Bewegung zeigt, und die elektrische Aktivität der Muskeln, die die tatsächliche Bewegung zeigt, die stattfindet. Jahrelang glaubten Forscher, dass die Kombination dieser beiden Signale ein perfektes System ergeben würde, das viel besser ist als die Verwendung eines der beiden allein. Die Idee war, dass die Vorwarnung des Gehirns und die endgültige Aktion des Muskels zusammenarbeiten würden, um der Maschine genau verständlich zu machen, was eine Person beabsichtigt. Es gibt jedoch ein großes Problem. Jedes Gehirn und jeder Körper eines Menschen sind leicht unterschiedlich. Die Form des Schädels, die Dicke der Haut und die Art und Weise, wie Nerven feuern, variieren von Individuum zu Individuum. Das bedeutet, dass ein an eine Person trainiertes System oft versagt, wenn es für jemand anderen eingesetzt wird – eine Hürde, die viele vielversprechende Technologien im Labor feststecken ließ.

Eine aktuelle Untersuchung von Albert Schulle an der Technischen Universität München widmete sich genau diesem Problem. Anstatt neue Patienten für ein neues Experiment zu rekrutieren, nutzte der Forscher bereits existierende, öffentlich verfügbare Aufzeichnungen von Gehirn- und Muskelsignalen von Dutzenden gesunder Menschen. Durch das Durchführen von tausenden Computersimulationen auf diesen Daten testte die Studie, wie gut diese kombinierten Gehirn-Muskel-Systeme tatsächlich funktionieren, wenn sie aufgefordert werden, die Absichten von Menschen zu erkennen, die sie noch nie getroffen haben. Das Ziel war es zu sehen, ob der Zauber der Signalverbindung der unordentlichen Realität menschlicher Unterschiede standhält.

Die Ergebnisse offenbarten eine signifikante Lücke zwischen Theorie und Praxis. Wenn die Computermodelle mit derselben Person getestet wurden, für die sie trainiert worden waren, funktionierte die Kombination aus Gehirn- und Muskelsignalen sehr gut und erreichte eine hohe Genauigkeit. Unter diesen vertrauten Bedingungen ergänzten sich die beiden Signale perfekt. Doch in dem Moment, als die Modelle aufgefordert wurden, an einer neuen Person zu arbeiten, sank die Leistung drastisch. Die Studie fand heraus, dass die Genauigkeit des kombinierten Systems im Vergleich zu seiner Leistung beim ursprünglichen Nutzer um etwa 20 bis 25 Prozent abfiel. Dieser Rückgang war nicht gleichmäßig über die beiden Signale verteilt. Die Muskelsignale blieben relativ stark und hielten selbst bei einer neuen Person noch vernünftig stand. Die Gehirnsignale hingegen wurden, wenn sie auf einen Fremden angewendet wurden, fast nutzlos und fielen oft auf ein Niveau ab, auf dem der Computer nur noch raten konnte.

Diese Entdeckung deutet darauf darauf hin, dass der Nutzen der Kombination von Gehirn- und Muskelsignalen weitgehend davon abhängt, die spezifische Person zu kennen, die das System nutzt. Die elektrischen Muster des Gehirns sind so individuell für jeden Menschen, dass ein Modell, das auf einer Person trainiert wurde, die gleiche Absicht bei einer anderen Person nicht ohne Weiteres erkennen kann. Im Gegensatz dazu sind die Muskelsignale über verschiedene Menschen hinweg konsistenter, da die grundlegende Mechanik, wie Muskeln sich bewegen, für alle ähnlich ist. Wenn die Computermodelle gezwungen waren, mit neuen Personen zu arbeiten, ohne vorheriges Training, lernten sie instinktiv, die unzuverlässigen Gehirnsignale zu ignorieren und sich fast ausschließlich auf die stabileren Muskelsignale zu verlassen. Die Verschmelzung der beiden erzeugte kein robustes Super-Signal; stattdessen entwickelte es sich zu einem System, das auf die Muskeldaten zurückfiel, weil die Gehirndaten zu verrauscht waren, um ihnen zu trauen.

Die Studie untersuchte auch, ob fortgeschrittene Computermethoden dieses Problem lösen könnten. Die Forscher testeten Methoden, die darauf ausgelegt sind, die Signale von einer Person auf eine andere zu übertragen, in der Hoffnung, die Unterschiede so abzugleichen, dass ein einziges Modell für alle funktionieren kann. Diese Techniken, die mathematische Anpassungen an den Signalmustern beinhalten, halfen tatsächlich. Sie konnten einen Teil der verlorenen Leistung wiederherstellen und verbesserten die Genauigkeit der Gehirnsignale um etwa 8 bis 12 Prozent sowie die des kombinierten Systems um 5 bis 8 Prozent. Dennoch lösten diese Methoden das Problem nicht vollständig. Selbst mit diesen Anpassungen hatte das System weiterhin Schwierigkeiten, bei einer neuen Person ohne spezifische Beispieldaten dieser Person perfekt zu funktionieren. Die Studie kommt zu dem Schluss, dass wir das System zwar besser machen können, es aber noch nicht wahrhaft universell machen können. Die Unterschiede zwischen den menschlichen Gehirnen sind zu tiefgreifend, als dass eine einfache mathematische Korrektur sie vollständig auslöschen könnte.

Für die Zukunft der Medizintechnik bieten diese Erkenntnisse einen klaren Weg nach vorn. Der Traum von einem einzigen Gerät, das man jedem Patienten in die Hand drücken kann und das sofort funktioniert, ist vorerst wohl unerreichbar. Stattdessen scheint der zuverlässigste Ansatz bei Systemen zu liegen, die sich auf Muskelsignale konzentrieren oder eine kurze, personalisierte Trainingsphase für jeden neuen Nutzer beinhalten. Die Studie legt nahe, dass die besten Designs diejenigen sein werden, die in der Lage sind, sich anzupassen, indem sie Gehirn- und Muskelsignale unterschiedlich gewichten, je nachdem, wie gut das System den Nutzer kennt. Bis wir die Lücke zwischen den Individuen vollständig überbrücken können, werden die effektivsten Werkzeuge jene sein, die die menschliche Variabilität anerkennen und mit ihr arbeiten, anstatt zu versuchen, sie zu ignorieren.