Nova Acta Leopoldina Band 110 Nummer 377

rons eine solche Möglichkeit zur intentionsbezogenen ERD-Modulation perizentraler senso- motorischer Rhythmen erhalten bleibt (vgl. KÜBLER et al. 2005). Im Berliner BCI (www.bbci.de) wurde eine Technologie entwickelt, die einen komple- mentären Ansatz in den Vordergrund stellt: Das Motto „Let the machines learn“ besagt, dass hier nicht der Benutzer schrittweise lernen muss, spezielle Hirnsignale (z. B. eine langsame Positivierung) zu erzeugen, sondern dass primär der Computer über die algorithmische Tech- nologie des maschinellen Lernens in einer kurzen, nur ca. 10-minütigen Kalibrationsphase lernt, die individuellen EEG-Signaturen des Benutzers zu erkennen (vgl. Abb. 1 und BLAN- KERTZ et al. 2003, 2007, 2008a, DORNHEGE et al. 2007, MÜLLER et al. 2008). BCI-Steuerung soll in aller Regel eine Umweltveränderung bewirken, die als Konsequenz einer motorischen Aktion interpretiert werden kann, z. B. der Verschiebung eines Bildschirm-Cursors nach links oder rechts. Ein direkter neurophysiologischer Ansatz ist es daher, hirnelektrische Korrelate der motorischen Intentionen für die Aktivierung der linken oder rechten Hand zu erfassen, sie als solche auch kongruent zu interpretieren und in einer Rückkopplungsschleife für den An- wender als Bewegungseffekt erkenntlich werden zu lassen. Ausgangspunkt hierfür können sowohl vorgestellte Bewegungen und damit verbundene Desynchronisationen (ERD, vgl. Ab- schnitt 2.2) als auch langsame Potentialverschiebungen, wie das lateralisierte Bereitschafts- potential (BP) sein, die willkürlichen Bewegungen vorangehen (vgl. Abschnitt 2.1). Untrainierte Nutzer können schon bei der ersten BCI-Anwendung ERD-basierte Übertragungs- raten von bis zu 35 bit/min erreichen (vgl. BLANKERTZ et al. 2003, 2007). Abb. 1 Überblick über das auf maschinellem Lernen basierende BBCI-System. In einer ersten Kalibrationsphase werden die Nutzer instruiert, natürliche mentale Aufgaben (etwa vorgestellte Bewegungen der linken und rechten Hand) auszuführen. Während dessen wird das EEG aufgezeichnet, und man erhält kurze Segmente (trials) für beide mentalen Aufgaben. Nach einer Vorverarbeitung wird ein Klassifikator auf diesen Daten trainiert. In der zweiten Feed- backphase werden Daten einer festen Fensterbreite aus den kontinuierlich gemessenen EEG-Daten extrahiert und der Klassifikator angewandt. Dies ergibt eine reelle Ausgabegröße, die die Wahrscheinlichkeit für jede mentale Aufgabe quantifiziert. Indem diese Ausgabegröße direkt als Steuerungssignal in eine Anwendung eingespeist wird, kann der Benutzer über einen Bildschirm die unmittelbare Rückmeldung über die Wirkung seiner Steuerbefehle erhalten. Nova Acta Leopoldina NF 110, Nr. 377, 235–257 (2011) Klaus-Robert Müller, Benjamin Blankertz, Michael Tangermann und Gabriel Curio 238