Giessener Elektronische Bibliothek

GEB - Giessener Elektronische Bibliothek

fMRT Brain-Computer Interface : Klassifikation von Hirnfunktionszuständen

fMRI Brain-Computer Interface : real-time classification of brain states

Weygandt, Martin


Zum Volltext im pdf-Format: Dokument 1.pdf (4.060 KB)


Hinweis zum Urheberrecht

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:hebis:26-opus-59399
URL: http://geb.uni-giessen.de/geb/volltexte/2008/5939/

Bookmark bei Connotea Bookmark bei del.icio.us


Freie Schlagwörter (Deutsch): Brain-Computer Interface , Echtzeit fMRT , Klassifikation , Support Vector Machines
Freie Schlagwörter (Englisch): Brain-Computer Interface , real-time fMRI , brain reading , classification , Support Vector Machines
Universität Justus-Liebig-Universität Gießen
Institut: Abt. für Klinische und Physiologische Psychologie; Bender Institute of Neuroimaging
Fachgebiet: Psychologie
DDC-Sachgruppe: Psychologie
Dokumentart: Dissertation
Sprache: Deutsch
Tag der mündlichen Prüfung: 25.01.2008
Erstellungsjahr: 2007
Publikationsdatum: 09.06.2008
Kurzfassung auf Deutsch: In der vorliegenden Dissertationsschrift wird WalNUT, ein klassifikationsbasiertes Brain-Computer Interface (BCI) der funktionellen Magnetresonanztomographie (fMRT) vorgestellt. Ein klassifikationsbasiertes BCI schließt in Echtzeit von einem Hirnfunktionszustand oder -aktivierungsmuster auf dessen Genese – z.B. die experimentelle Bedingung, die sie hervorgebracht hat. Daher wird der Ansatz auch als "brain reading" bezeichnet. WalNUT ist somit eine Software-Toolbox zur Echtzeit-Analyse von fMRT-Daten, die im Rahmen der Dissertation angefertigt wurde.
Die Überprüfung der Tauglichkeit der Software zu einem BCI stellt den zentralen Gegenstand der Arbeit dar. Tauglichkeit wird dabei verstanden im Sinne der erzielbaren Datenverarbeitungsgeschwindigkeit einerseits und der Generalisations- oder Klassifikationsgenauigkeit andererseits. Weiterhin widmet sich die Arbeit der Frage, welche Parameter der Vorverarbeitung von fMRT-Aufnahmen zu einer Steigerung der Generalisationsleistung beitragen können. In einem weiteren Teil der Arbeit werden Gehirnregionen beschrieben, die von der Software als für die Separation experimenteller Bedingungen relevant befunden wurden. Die beschriebenen Punkte werden dabei durch die Reanalyse dreier fMRT-Datensätze untersucht.
Die Gliederung der Arbeit stellt sich wie folgt dar: zunächst wird mit der Beschreibung des Konzepts eines BCI begonnen. Dieses wird zunächst definiert und ein kurzer Abriss des Entwicklungshintergrundes gegeben. Es wird ein System zur Einordnung und Untergliederung verschiedener Varianten von BCIs aufgestellt und schließlich eine Übersicht über die wichtigsten Vertreter gegeben. Anschließend wird konkret auf das Gebiet der Klassifikation eingegangen. Dieses wird zuerst innerhalb des größeren Gebiets der künstlichen Intelligenz eingeordnet.
Weiterhin werden verschiedene Lernprinzipien gängiger Klassifikationsverfahren vorgestellt und schließlich das Prinzip des in vorliegender Arbeit zur Anwendung kommenden Verfahrens der Support Vector Machines dargelegt. Der dritte Abschnitt stellt verschiedene Aspekte der Echtzeit-Verarbeitung von Daten der fMRT dar. Hier wird insbesondere auf die Aspekte der Vorverarbeitung und der Dimensionsreduktion der Daten eingegangen. Der vierte Teil widmet sich Erstellung von Parameterkarten des Gehirns, die die Relevanz von Gehirnregionen hinsichtlich der Separation der Daten beschreiben. Diese werden auch als Diskriminierende Volumina bezeichnet. Daran schließt die Ableitung entsprechender Fragestellungen und Hypothesen an. Weiterhin gibt der Methodenteil einen Überblick über die Originalstudien der reanalysierten Datensätze. Danach folgt die Präsentation der bei der Reanalyse ermittelten Ergebnisse. Schließlich setzt sich der Diskussionsteil ausführlich mit diesen auseinander, wobei den Implikationen der Ergebnisse für zukünftige Anwendungen eine besondere Rolle zukommt.