Loading…
Decoding implicit information from the electroencephalogram with methods from brain-computer interfacing
Wenzel, Markus
Research on brain-computer interfacing (BCI) has demonstrated that specific brain activity patterns can be detected in the electroencephalogram (EEG) with multivariate methods from machine learning and signal processing in real-time. Objective. This direct access to the neural processes potentially provides an opportunity to learn about the users of technical applications in a novel way. In this dissertation, it was explored how implicit, user-related information can be decoded from the EEG. Approach and results. First, it was demonstrated that BCI methods can uncover an imperceptible usability flaw of a technical device. A neural workload, which is potentially uncomfortable on the long-term, was imposed by the device on the brain of the user, but could not be noticed by test persons due to the limits of human perception. The findings suggest a remedy, which may improve the ease of use of the assessed device. In a second line of research, it was investigated how the subjective relevance of viewed items can be estimated based on EEG and eye tracking signals. This information renders it possible to map the relevance of the visual surrounding, and to infer the current interest of the individual user in real-time. Significance. Signals originating in the brain contain valuable information about the users of technical devices and applications. It was demonstrated that the direct observation of the neural processes offers particular benefits in comparison to standard methods for obtaining user-related information, such as questionnaires. Multivariate methods proved to be essential for extracting information about the complex neural activity from the recorded signals. The methods recognised patterns that were distributed over the numerous dimensions of the EEG data and obscured by irrelevant activity and noise.
Forschung auf dem Gebiet der Gehirn-Computer-Schnittstelle hat gezeigt, dass spezifische Gehirnaktivitätsmuster mit multivariaten Methoden des maschinellen Lernens und der Signalverarbeitung im Elektroenzephalogramm (EEG) in Echtzeit erkannt werden können. Ziel. Mit diesem direkten Zugang zu den neuronalen Prozessen kann man möglicherweise etwas über die Nutzer technischer Anwendungen auf neuartige Weise erfahren. In dieser Dissertation wurde untersucht, wie implizite, nutzerbezogene Information aus dem EEG entschlüsselt werden kann. Ansatz und Ergebnisse. Zunächst wurde mit der Gehirn-Computer-Schnittstelle ein Mangel der Nutzbarkeit eines technischen Gerätes aufgedeckt. Das Gerät strengte das Gehirn des Nutzers auf nicht wahrnehmbare Weise an, was auf lange Sicht unangenehm sein könnte. Testpersonen konnten den untersuchten Mangel aufgrund der Grenzen der menschlichen Wahrnehmung nicht bemerken. Die Ergebnisse geben einen Hinweis darauf, wie diese unnötige Beanspruchung möglicherweise vermieden werden könnte. Desweiteren wurde untersucht, wie die subjektive Relevanz von betrachteten Objekten anhand des EEG und der Augenbewegungen eingeschätzt werden kann. Diese Information erlaubt es, die Relevanz der visuellen Umgebung zu kartieren und in Echtzeit Rückschlüsse auf das Interesse des individuellen Nutzers zu ziehen. Bedeutung. Messungen der Gehirnaktivität enthalten wertvolle Information über die Nutzer technischer Geräte und Anwendungen. Es wurde gezeigt, dass die direkte Beobachtung neuronaler Prozesse besondere Vorteile im Vergleich zu Standardverfahren zur Gewinnung nutzerbezogener Information bietet, wie etwa Fragebögen. Multivariate Methoden erwiesen sich als wesentlich, um Information über die komplexe neuronale Aktivität aus den Signalen zu extrahieren. Die Methoden erkannten Muster, die über die zahlreichen Dimensionen der EEG Daten verteilt und durch irrelevante Aktivität und Rauschen überlagert waren.
