On robust spatial filtering of EEG in nonstationary environments
| dc.contributor.advisor | Müller, Klaus-Robert | en |
| dc.contributor.author | Samek, Wojciech | en |
| dc.contributor.grantor | Technische Universität Berlin, Fakultät IV - Elektrotechnik und Informatik | en |
| dc.contributor.referee | Müller, Klaus-Robert | en |
| dc.contributor.referee | Guan, Cuntai | en |
| dc.contributor.referee | Lotte, Fabien | en |
| dc.date.accepted | 2014-06-20 | |
| dc.date.accessioned | 2015-11-20T23:35:22Z | |
| dc.date.available | 2014-07-04T12:00:00Z | |
| dc.date.issued | 2014-07-04 | |
| dc.date.submitted | 2014-04-07 | |
| dc.description.abstract | Brain-Computer Interfaces (BCIs) sind neuartige technische Systeme, die einen Kommunikationskanal zwischen Mensch und Computer zur Verfügung stellen, ohne dabei das periphere Nervensystem oder die Muskulatur einzubeziehen. Das Arbeitsprinzip eines BCIs basiert auf drei Schritten. (1) Die Versuchsperson kodiert die zu übermittelnde Anweisung als mentalen Zustand, indem sie sich z.B. das Ausführen einer speziellen Bewegung vorstellt. (2) Das BCI System dekodiert den mentalen Zustand und damit auch die zu übermittelnde Anweisung aus gemessener Hirnaktivität. (3) Das System setzt die Anweisung zur Steuerung von technischen Geräten oder zur Kommunikation mit der Umgebung um. Das zuverlässige Dekodieren der mentalen Zustände ist jedoch schwierig, da die gemessenen elektroenzephalographischen Signale sowohl verrauscht und nichtstationär sind als auch Artefakte enthalten können. Weiterhin sind diese Signale üblicherweise hochdimensional und bestehen zum größten Teil aus neuronaler Hintergrundaktivität, die keinen Bezug zu dem induzierten mentalen Zustand aufweist. Aus diesem Grund ist die Extraktion von robusten und informativen Merkmalen von zentraler Bedeutung für eine erfolgreiche Anwendung der BCI Technologie, vor allem wenn das System Einzelversuche klassifizieren können soll. Ein wesentlicher Schritt bei der Merkmalsextraktion in sogenannten motor-imagery BCI Systemen ist die räumliche Filterung. Obwohl viele Methoden zur Berechnung von räumlichen Filtern in der Literatur vorgeschlagen wurden — zu nennen ist hier vor allem der Common Spatial Patterns (CSP) Algorithmus — wurde dem Nichtstationaritäts- und dem Robustheitsproblem selten ausreichend Beachtung geschenkt. Das Ziel der vorliegenden Arbeit ist die Entwicklung von neuen Methoden für die robuste räumliche Filterung von nichtstationären EEG Signalen. Diese Dissertation trägt in mehrerer Hinsicht zu der aktuellen Forschung im Bereich BCI bei. Der erste Beitrag dieser Arbeit ist die Entwicklung einer neuen Regularisierungsstrategie für CSP, welche die Varianz der extrahierten Merkmale reduziert. Hierfür wird ein neuer Algorithmus — stationary CSP — vorgeschlagen und die Auswirkungen der Regularisierung werden mit Hilfe von Simulationen und echten Daten erforscht. Ein weiterer Beitrag dieser Arbeit besteht in der Untersuchung von Möglichkeiten für den Austausch von Nichtstationaritätsinformationen zwischen Versuchspersonen, die am gleichen BCI-Experiment teilnehmen. In diesem Zusammenhang wird eine neue Methode — stationary subspace CSP — entwickelt und umfassend evaluiert. Der zentrale Beitrag der Dissertation ist die Formulierung der Berechnung von räumlichen Filtern als Divergenzmaximierungsproblem. Diese neue Betrachtungsweise der Filterberechnung hat verschiedene Vorteile und erlaubt es z.B. eine gegenüber Artefakten robuste Variante des CSP Algorithmus zu verfassen, Daten von zusätzlichen Versuchspersonen in den Optimierungsprozess aufzunehmen und verschiedene Arten von Stationarität zu forcieren. Die divergenzbasierte Formulierung der Filterberechnung umfasst viele CSP Varianten und erlaubt eine informationsgeometrische Interpretation dieser Algorithmen. Auch eröffnet diese Formulierung Möglichkeiten neuartige Varianten des Algorithmus unter Ausnutzung der speziellen Eigenschaften anderer Divergenzen zu entwickeln. Die Vorteile und Grenzen der verschiedenen divergenzbasierten Methoden zur Berechnung der räumlichen Filter werden in dieser Arbeit diskutiert und mit Hilfe von Simulationen und echten EEG Aufnahmen evaluiert. Der vierte wesentliche Beitrag dieser Arbeit liegt in der Herleitung eines neuen und robusten Schätzers für Kovarianzmatrizen, welcher speziell auf die Struktur von BCI Daten abgestimmt ist. Alle vorgeschlagenen Methoden werden mit diversen, dem Stand der Technik entsprechenden Verfahren verglichen und die Ergebnisse aus neurophysiologischer Perspektive interpretiert. Weiterführende Forschungsmöglichkeiten werden am Ende der Arbeit diskutiert. | de |
| dc.description.abstract | Brain-Computer Interfaces (BCIs) provide a novel communication channel between a human subject and a computer application that does not rely on peripheral nerves and muscles. The core idea of a BCI is (1) to encode information by voluntarily inducing certain mental states, (2) to decode these states from recordings of brain activity and (3) to use this information for controlling a device or communicating with the environment. Reliable decoding of mental states is a very challenging task as the recorded brain signals, e.g., EEG, may be noisy, nonstationary and affected by artifacts. Furthermore these signals are usually of high dimension and for the most part contain background activity that is not related to the encoded mental state. Thus, robust extraction of informative features is essential for successful BCI application, especially when decoding mental states on a single trial basis. In motor imagery BCIs spatial filtering is a crucial step in this feature extraction process. Although many spatial filtering methods have been proposed, of which the most prominent representative is Common Spatial Patterns (CSP), these methods rarely take into account explicitly the influence of artifacts and nonstationarity. The main goal of this doctoral thesis is to refine current approaches and to develop novel methods for robust spatial filtering of EEG in nonstationary environments. This dissertation contributes to the current state of research in several ways. The first contribution is the development of a novel regularization strategy for CSP that reduces variability of the extracted features. An algorithm, stationary CSP, is proposed and its regularization effect is investigated using simulations and real data sets. The second contribution is the investigation of the possibility to transfer information about changes in the data between subjects performing the same experiment. Also here a method, stationary subspace CSP, is developed and extensively evaluated. A key contribution of this thesis is the formulation of spatial filter computation as a divergence maximization problem. This novel view on spatial filter computation and in particular on CSP has several advantages, e.g., it easily allows one to robustify the algorithm against artifacts, to incorporate data from other subjects into the optimization process and to enforce different types of invariances on the extracted features. Conceptually, this generic formulation integrates many state-of-the-art CSP variants in a principled manner and provides an information geometric interpretation of the algorithm; this formulation also opens the door for new variants by utilizing the properties of particular divergences. The advantages and limitations of different divergence-based spatial filtering algorithms are discussed and evaluated using simulations and real EEG recordings. The fourth main contribution of this work is the derivation of a novel robust covariance estimator which takes into account trial structure and is tailored to BCI application. All proposed algorithms are compared to several state-of-the-art approaches and the results are interpreted from a neurophysiological perspective. Future research directions are discussed at the end of this thesis. | en |
| dc.identifier.uri | urn:nbn:de:kobv:83-opus4-54188 | |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/4401 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-4104 | |
| dc.language | English | en |
| dc.language.iso | en | en |
| dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | en |
| dc.subject.ddc | 004 Datenverarbeitung; Informatik | en |
| dc.subject.other | Gehirn-Maschine Schnittstelle | de |
| dc.subject.other | Nichtstationarität | de |
| dc.subject.other | Räumliche Filterung | de |
| dc.subject.other | Robuste Methoden | de |
| dc.subject.other | Brain-computer interfacing | en |
| dc.subject.other | Nonstationarity | en |
| dc.subject.other | Robust methods | en |
| dc.subject.other | Spatial filtering | en |
| dc.title | On robust spatial filtering of EEG in nonstationary environments | en |
| dc.title.translated | Über die robuste räumliche Filterung von EEG in nichtstationären Umgebungen | de |
| dc.type | Doctoral Thesis | en |
| dc.type.version | publishedVersion | en |
| tub.accessrights.dnb | free | * |
| tub.affiliation | Fak. 4 Elektrotechnik und Informatik::Inst. Softwaretechnik und Theoretische Informatik | de |
| tub.affiliation.faculty | Fak. 4 Elektrotechnik und Informatik | de |
| tub.affiliation.institute | Inst. Softwaretechnik und Theoretische Informatik | de |
| tub.identifier.opus4 | 5418 | |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |
Files
Original bundle
1 - 1 of 1