Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-3231
Main Title: Utilizing Brain-Computer Interfaces for Human-Machine Systems
Translated Title: Die Nutzung von Hirn-Computer-Schnittstellen fuer Mensch-Maschine-Systeme
Author(s): Zander, Thorsten Oliver
Advisor(s): Roetting, Matthias
Granting Institution: Technische Universität Berlin, Fakultät V - Verkehrs- und Maschinensysteme
Type: Doctoral Thesis
Language: English
Language Code: en
Abstract: Verbindet man ein menschliches Gehirn über eine Hirn-Rechner-Schnittstelle (BCI) mit einer Maschine, so kann das resultierende Mensch-Maschine-System (MMS) Informationen über die Hirnaktivität des Nutzers ableiten. Um diese Verbindung aufbauen zu können, werden Methoden aus dem Bereich des Maschinellen Lernens und Grundlagenwissen über die Interpretation des Elektroenzephalogramms (EEG) miteinander verknüpft. Dieser Ansatz erlaubt automatisierte Analysen der Hirnaktivität in Echtzeit, deren Ergebnisse insbesondere dafür genutzt werden können das technische System anzusteuern. In den letzten 20 Jahren lagen die Hauptziele der BCI-Forschung darin, Unterstützungssysteme für Menschen mit starken Behinderungen zu definieren, die eine Kontrolle über ein technisches System erlauben oder als Kommunikationsmedium genutzt werden können. Diese Doktorarbeit widmet sich jedoch einem anderen Ansatz: Ziel ist es, BCIs auch in MMS nutzbar zu machen, in denen gesunde Menschen interagieren. In einer detaillierten Analyse der aktuellen BCI-Forschung stellt sich heraus, dass die Unzuverlässigkeit, der schmalbandinge Informationstransfer, der hohe kognitive Aufwand bei der Nutzung sowie die umständliche und zeitraubende Kalibrierung eines BCI-Systems die Hauptprobleme bei dessen Nutzung in einer realen Anwendung darstellen. Um diese Probleme angehen zu können, führe ich eine neue Theorie ein, welche die Kategorisierung aktueller BCI-Technologie um passive BCIs erweitert. Im Gegensatz zu klassischen BCI-Systemen zielen passive BCIs nicht auf eine direkte Steuerung des Systems durch intendierte Befehle des Nutzers ab. Passive BCIs leiten Informationen über versteckte Aspekte des Nutzerzustands ab, die der Maschine bereitgestellt werden können, um die zugrundeliegende Interaktion zu verbessern. In Kombination mit der kürzlich neu eingeführten Kategorie der hybriden BCIs lassen sich so kontextsensitive BCIs definieren. Diese nutzen größere Anteile des im gegebenen MMS verfügbaren Informationsraums, um das Gesamtsystem zuverlässiger zu machen. Diese Konzepte werden über vier Studien validiert, die in aktuelle Fragestellungen der MMS-Forschung eingebettet sind. Einerseits gebe ich Beispiele dafür, dass passive und kontextsensitive BCI-Systeme wertvolle Informationen – wie Intentionen oder interne Interpretationen des Nutzers – liefern können. Dies ist sogar möglich, wenn die Bandbreite und Zuverlässigkeit des gegebenen BCI-Kanals eingeschränkt ist. Des Weiteren zeige ich, dass passive BCI-Kanäle sinnvoll zu einem MMS hinzugefügt werden können, ohne dass der Nutzungsaufwand ansteigt, da solche Informationskanäle inhärent keine Aufmerksamkeit des Nutzers benötigen. Insbesondere stelle ich ein passives BCI zur Fehlererkennung vor, welches universell für jeden Nutzer einsetzbar ist, ohne zuvor zeitraubend individuell kalibriert werden zu müssen. Zusammen mit der letzten Studie, in der trockene EEG-Elektroden untersucht werden, zeige ich, dass der Aufwand ein BCI-System einsatzfähig zu machen, drastisch gesenkt werden kann. Somit kann BCI-Technologie sinnvoll in zeitgemäßer Forschung im Bereich der MMS eingesetzt werden. Als Beispiel dafür präsentiere ich effiziente Lösungen von Problemen im Bereich der Systemsicherheit und der automatisierten Adaption, sowie für das wohlbekannte Midas-Touch-Problem in der berührungsfreien Interaktion, die auf den hier vorgestellten Konzepten aufbauen. Die in dieser Arbeit vorgestellten und validierten Konzepte neuer BCI-Technologien können also in der Tat dafür genutzt werden Mensch-Maschine-Systeme relevant zu verbessern.
Human-Machine Systems (HMS) can read aspects of human brain activity if linked to this by means of Brain-Computer Interface (BCI). This connection can bestablished by a combination of methods of machine learning and given knowledge about the interpretation of the electroencephalogram (EEG). The resulting technology allows for automated analyses of brain activity in real time and can also be utilized to provide input commands for a technical system. In the past two decades, researchers have investigated BCIs mainly for the purpose of defining assistive technology for people with severe disabilities, leading to new channels for communication and control. This thesis is dedicated to a new endeavor in this field – the application of BCIs in HMS that are operated by users without disabilities. Based on a detailed description of the state-of-the-art in BCI research I identify unreliability, limited bandwidth of information transfer, high cognitive effort and cumbersome and time-consuming preparation as the main problems BCIs have to face in real world applications outside the laboratory. To address these problems, I introduce a newly developed framework extending a categorization of contemporary BCI systems with passive BCIs. Contrary to classic BCI systems, these do not aim at directly controlling a system by commands sent intentionally by the user. Passive BCIs access information about covert aspects of user state and making it available to the machine, with the aim of enhancing the given interaction. Combining it with recently introduced hybrid BCIs leads to the introduction of context-aware BCI-systems, incorporating larger portions of the available information space to increase the reliability of the global system. I validate these concepts with four studies that are embedded in current HMS research topics. Firstly, I give examples showing that passive and context-aware BCIs can indeed deliver valuable information about the user state, like information about intentions or internal interpretations, even if the bandwidth and reliability of the given BCI channel is restricted. Secondly, I show that passive BCIs can be added to a given HMS without increasing the effort of using the system, as such information channels inherently do not need attention of the user. Especially, I introduce a passive BCI for error detection that is universally applicable for any user, without the need for time consuming individual calibration. In combination with the last study investigating dry EEG sensors I finally demonstrate that the effort needed to prepare a BCI system can be reduced significantly. These studies also show that BCI technology can indeed be valuable for contemporary research in the field of HMS. I show that problems in safety and automated adaptation, as well as the well known Midas-touch problem in touchless interaction can be solved in an efficient way by utilizing the BCI concepts presented here. This thesis provides and validates novel concepts showing that BCI technology can indeed be used to significantly enhance Human-Machine Systems.
URI: urn:nbn:de:kobv:83-opus-34902
http://depositonce.tu-berlin.de/handle/11303/3528
http://dx.doi.org/10.14279/depositonce-3231
Exam Date: 17-Jun-2011
Issue Date: 7-Jun-2012
Date Available: 7-Jun-2012
DDC Class: 500 Naturwissenschaften und Mathematik
Subject(s): Elektroenzephalographie (EEG )
Hirn-Computer Schnittstellen
Human Factors
Maschinelles Lernen
Mensch-Maschine-Systeme (MMS)
Brain-Computer Interfaces (BCI)
Electronecephalography (EEG)
Human Factors
Human-Machine Systems (HMS)
Machine Learning
Usage rights: Terms of German Copyright Law
Appears in Collections:Technische Universität Berlin » Fakultäten & Zentralinstitute » Fakultät 5 Verkehrs- und Maschinensysteme » Institut für Psychologie und Arbeitswissenschaft » Publications

Files in This Item:
File Description SizeFormat 
Dokument_52.pdf17.59 MBAdobe PDFThumbnail
View/Open


Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.