Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-5704
Main Title: Pushing the boundaries of Brain-Computer Interface technology
Subtitle: challenges in novel applications and large-scale studies
Translated Title: Ausweitung der Grenzen der Brain-Computer-Interface-Technology
Translated Subtitle: Herausforderungen in neuartigen Anwendungen und großangelegten Studien
Author(s): Acqualagna, Laura
Advisor(s): Blankertz, Benjamin
Referee(s): Blankertz, Benjamin
Müller, Klaus-Robert
Desain, Peter
Granting Institution: Technische Universität Berlin
Type: Doctoral Thesis
Language Code: en
Abstract: Since the first studies in the 70s, Brain-Computer Interface (BCI) research has had an exponential development thanks to the high potential in improving life of severely impaired people. In the last years, the applicability of BCI extended also to non-medical applications as a complementary tool to provide interesting insights into the brain processes correlated with behavior. One of the most exploited measurement techniques used in BCI is Electroencephalography (EEG), because of its portability, contained costs and direct recording of neural activity. This thesis focuses on EEG-based BCI, with the aim of investigating cutting-edge applications, novel designs and the possibility of broadening this technology on large scale. According to the specific application, different brain features were analyzed, from visual to higher cognitive event-related potentials (ERPs), from the modulation of spontaneous oscillatory brain rhythms to that of the sensorimotor rhythm (SMR). Signal processing and machine learning algorithms were tailored to extract representative features and predict the user’s state or the user’s intention for the BCI operation. This thesis extends the boundaries of state-of-art BCI applications from several points of view. Firstly, the feasibility of a steady-state visual evoked potential (SSVEP)-based paradigm for video quality assessment was proven, which led to the collection of informative neural features in a much faster way than previous ERP-based paradigms. Secondly, two novel ERP-BCIs for mental typewriting independent of gaze-shifts were developed, which could be operated online with high performance by healthy users and could represent a valid alternative for patients with severely impaired oculomotor control. Thirdly, a revised version of the standard BCI design was investigated for the study of subjective relevance in the scope of information retrieval (IR) systems, bringing new insight into brain processes that can enhance the interaction between man and machine. Lastly, the widely employed SMR-BCI paradigm was applied on large scale and in a fully automatic way. The aim was to test how co-adaptive machine learning algorithms, successful when user-tailored, would perform in a realistic scenario without any manipulation from BCI-experts. The overall work shows the versatility of BCI as a successful supplement of the existing technology and as a tool to improve the lives of people, also pointing out the main limitations with critical view to trigger new research developments.
Seit den ersten Studien in den 1970er Jahren, erlangte die Forschung in Gehirn-Computer Schnittstellen (engl. Brain-Computer Interface BCI) eine exponentielle Entwicklung dank der hohen Wahrscheinlichkeit der Lebensverbesserung von stark beeinträchtigten Personen. In den vergangenen Jahren hat sich die Verwendung von BCI auch auf nicht medizinische Anwendungen als ein ergänzendes Werkzeug ausgebreitet, welches interessante Einblicke in die Korrelation von Hirn-Prozessen und Verhalten gibt. Eine der in BCI meist verwendeten Messungstechniken ist die Elektroenzephalographie (EEG), aufgrund ihrer Mobilität, geringen Kosten und direkter Aufzeichnung von neuraler Aktivität. Diese Arbeit befasst sich mit dem EEG-basierten BCI. Ziel ist die Forschung an innovativen Anwendungen, neuen Designs und der Möglichkeit diese Technologie in großem Ausmaß zu verbreiten. Je nach spezifischer Anwendung wurden folgende verschiedene Hirnströme analysiert: Visuelle und kognitive Ereigniskorrelierte Potentiale (eng. event-related potentials (ERPs)), Modulation von spontan schwankenden Hirnsignalen und sensomotorischen Rhythmus (SMR). Algorithmen aus der Verarbeitung und dem Maschinellen Lernen wurden zugeschnitten um repräsentative Hirnströme zu extrahieren und den Zustand und die Absichten des Nutzers vorherzusagen. Diese Arbeit erweitert den aktuellen Stand der Technik der BCI-Anwendungen in vieler Hinsicht. Erstens, wurde die Durchführbarkeit eines BCI Paradigmas zur Bewertung von Video Qualität bewiesen. Dies ermöglicht eine wesentlich schnellere Sammlung von informativen Hirnströmen als bei bisherigen ERP-basierten Paradigmen. Zweitens, wurden zwei neue Blick-unabhängige ERP-BCIs zur mentalen Texteingabe entwickelt. Diese konnten online mit hoher Präzision von gesunden Nutzern durchgeführt werden. Diese Paradigmen stellen eine Alternative für Patienten mit einer hohen Beeinträchtigung der Augenbewegung an. Drittens, wurde eine veränderte Version des Standard BCI Designs zur Untersuchung von subjektiver Relevanz im Bereich der Systeme zur Informationsgewinnung erforscht. Dies brachte neue Einsicht in Hirnprozesse welche die Interaktion zwischen Mensch und Maschine fördern kann. Zuletzt wurde das sehr bekannte SMR-BCI Paradigma auf eine Großzahl von Nutzern voll automatisch angewandt. Das Ziel war zu testen, welche Ergebnisse co-adaptive maschinell lernende Algorithmen in einem realistischem Szenario ohne jegliche Manipulation von BCI-Experten erzielen würden. Die Arbeit zeigt im allgemein die Vielseitigkeit des BCI als eine erfolgreiche Ergänzung zu den bereits existierenden Technologien und Werkzeugen welche der Verbesserung des Lebens der Menschen dienen. Die Arbeit deutet jedoch auch kritisch auf die Einschränkungen hin, um neue Forschungsentwicklungen auszulösen.
URI: http://depositonce.tu-berlin.de/handle/11303/6139
http://dx.doi.org/10.14279/depositonce-5704
Exam Date: 21-Jun-2016
Issue Date: 2017
Date Available: 31-Jan-2017
DDC Class: DDC::000 Informatik, Informationswissenschaft, allgemeine Werke::000 Informatik, Wissen, Systeme
Subject(s): Brain Computer Interfaces
EEG
machine learning
event related potentials
motor imagery
Gehirn-Computer-Schnittstellen
Elektroenzephalographie
maschinelles Lernen
ereignisiskorrelierte Potentiale
Creative Commons License: https://creativecommons.org/licenses/by/4.0/
Appears in Collections:Technische Universität Berlin » Fakultäten & Zentralinstitute » Fakultät 4 Elektrotechnik und Informatik » Institut für Softwaretechnik und Theoretische Informatik » Publications

Files in This Item:
File Description SizeFormat 
acqualagna_laura.pdf18.75 MBAdobe PDFThumbnail
View/Open


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