Single Trial Classification for Mobile BCI: a Multiway Kernel Approach

H2 { margin-bottom: 0.21cm; }H2.western { font-family: "Arial",sans-serif; font-size: 14pt; font-style: italic; }H2.cjk { font-family: "Droid Sans Fallback"; font-size: 14pt; font-style: italic; }H2.ctl { font-family: "Lohit Hindi"; font-size: 14pt; font-style: italic; }H1 { margin-bottom: 0.21cm; }H1.western { font-family: "Arial",sans-serif; font-size: 16pt; }H1.cjk { font-family: "Droid Sans Fallback"; font-size: 16pt; }H1.ctl { font-family: "Lohit Hindi"; font-size: 16pt; }P { margin-bottom: 0.21cm; }

Brein en computer: een perfecte match?

Stel u voor: bij een doktersbezoek krijgt u te horen dat u aan een ziekte lijdt waarbij uw spieren langzaam afsterven. Of: een auto-ongeluk kluistert u in gedeeltelijk verlamde toestand aan uw bed. Toch, uw wil om te bewegen en te communiceren is niet verdwenen – in gedachten kan u zelfs alles nog. Kan een computersysteem hierbij helpen?

Hersenactiviteit meten

De hersenen kunnen beschouwd worden als een netwerk van verbindingen, georganiseerd in verschillende functionele gebieden. Hersenactiviteit creëert een elektrische spanning tussen die gebieden en zelfs tussen individuele hersencellen. Door die spanningen te meten, kunnen we dus een idee krijgen van wat er zich in de hersenen afspeelt. Vaak gebruikt men hiervoor EEG (elektro-encefalografie), waarbij elektrodes op de schedel worden geplaatst voor een ruwe meting van de elektrische signalen. De bedrading van de elektroden naar de computer maakt het systeem echter onhandig om te gebruiken, zeker als de gebruiker nog tot bewegen in staat is. Daarom is het beter een draadloos systeem te gebruiken. Onderzoek toont aan dat het dan moeilijker is om signalen van goede kwaliteit te krijgen, maar deze studie bevestigt dat de kwaliteit toch vergelijkbaar kan zijn indien de juiste hardware en gegevensverwerking gebruikt worden.

Een brein-computerinterface

Activiteit kunnen meten volstaat uiteraard niet. De computer en de hersenen hebben ook een gemeenschappelijke taal nodig, die samen met de hardware de zogenaamde interface vormt. Deze studie gebruikt daarom een tristimulus oddball paradigma. Hierbij krijgt de gebruiker drie tonen met verschillende toonhoogte voorgeschoteld. De hoofdtoon wordt zeer regelmatig weergegeven, een keer per seconde. Af en toe wordt ze echter willekeurig vervangen door een van de andere twee tonen. Als de gebruiker dus een van die twee hoort, is dat een onverwachte en zeldzame gebeurtenis. Bij zo'n gebeurtenis reageren de hersenen op een heel specifieke manier, die men de P300 noemt. Het is immers een Positieve verandering van de spanning ongeveer 300ms na het horen van de stimulus.
Dit verschijnsel treedt op bij beide zeldzame stimuli. Het is een nuttige vaststelling dat de grootte van het effect afhankelijk is van de aandacht van de gebruiker. Met andere woorden: de gebruiker kan kiezen welk effect het grootst is door zich te concentreren op die bepaalde toonhoogte.

De figuur toont dit verschijnsel heel duidelijk. De reactie van de hersenen is normaal gezien heel zwak doordat ook andere hersenactiviteit tegelijk wordt gemeten. In extreme gevallen zoals tijdens het knipperen met de ogen is de P300 soms zelfs niet te zien door de signaalverstoring. Praktische toepassingen die al bestaan baseren zich daarom meestal niet op een enkele poging van de gebruiker om een toon te selecteren (een single trial). In plaats daarvan identificeert men de keuze via het gemiddelde signaal over een aantal pogingen. Niet-relevante activiteit is bij iedere single trial verschillend en wordt daardoor afgevlakt, terwijl de P300 steeds aanwezig is en dus versterkt wordt. Deze studie toont aan dat werken met single trials toch mogelijk is. Het grote voordeel hierbij is dat er een snellere keuze mogelijk is: bij een gemiddelde moet men immers meerdere keren dezelfde selectie maken voor een keuze.

Hersensignalen zijn gestructureerd

De gemeten spanningen variëren niet willekeurig. In de eerste plaats hebben ze een logisch tijdsverloop. We weten bijvoorbeeld dat de P300 ongeveer 300ms na de stimulus optreedt en minder dan 500ms duurt. De spanning heeft dus een tijdsstructuur zodat we ze niet continu moeten bekijken, maar ons kunnen beperken tot het regelmatig opmeten rond het moment van de P300. Doordat we meten met een frequentie van 128Hz en een venster van 1s gebruiken, verkrijgen we voor elke mogelijke keuze een rij van 128 getallen, die men een vector noemt.

Er is ook een ruimtelijke structuur omdat we meerdere elektrodes gebruiken. Sommige hersendelen produceren een sterkere reactie dan andere. Dit leidt tot een sterkere P300 in alle elektrodes die daar in de buurt zitten en een minder duidelijke P300 verder weg. Deze structuur is moeilijk te tonen met vectoren, we gebruiken hiervoor getallenroosters (matrices) of zelfs getallenkubussen (tensors). In deze studie gebruiken we verschillende soorten vectoren en tensors om de tijds- en ruimtestructuur van de data vast te leggen en we bepalen welke de effectiefste is.

Hoe herkent de computer de keuze van de gebruiker?

Dus, de gebruiker is aangesloten via elektrodes. De computer krijgt de opgemeten reacties op een zeldzame toon aangeboden als een vector of tensor en moet beslissen of de gebruiker zich daarop concentreerde of niet.
Een dergelijk probleem wordt aangepakt met Machine Learning. Het principe is gelijkaardig aan de manier waarop mensen types objecten herkennen: met genoeg voorbeelden weten we hoe iets eruit ziet. Nieuwe objecten kunnen we daarna herkennen doordat ze lijken op wat we al kennen.

Een van de cruciale punten is dus de keuze van een maat voor de gelijkaardigheid van de vectoren of tensors, een zogenaamde kernel. Afstand is een eenvoudig voorbeeld: twee punten lijken op elkaar als ze dicht bij elkaar liggen. Vooral bij tensors is het echter minder eenvoudig te zeggen wanneer ze op elkaar lijken. Deze studie test daarom een kernel die een abstractere vorm van wiskundige gelijkenis definieert tussen tensors om te bepalen of dit voordeliger is dan het gebruik van een eenvoudige gelijkenis van vectoren.

Waarvoor dient dit nu?

Een brein-computerinterface heeft vele toepassingen. We kunnen ze inzetten voor het spellen van woorden of het bewegen van een muiscursor bij mensen die lijden aan spierziektes (bv ALS) of verlamming. Een ander voorbeeld van ondersteunend gebruik is het aansturen van een gemotoriseerde rolstoel.
Daarnaast zijn er nog tal van andere mogelijkheden, met name in de entertainmentindustrie: spelen als Pong en zelfs World of Warcraft zijn al met de hersenen aangestuurd.

Een quasi-symbiose van mens en computer zullen we nog niet meteen morgen over straat zien wandelen. Toch kan het gebruik van draadloze EEG voor single trials, gecombineerd met gestructureerde datavoorstellingen en kernels, de kloof tussen het brein en de machine alweer een stapje kleiner maken. Is dit een wonderbaarlijke of net een angstaanjagende vaststelling? De keuze is aan u.