Nova Acta Leopoldina Band 110 Nummer 377

Abb. 6 (A): Datenpunkte einer Gaussverteilung (graue Punkte; d = 200 Dimensionen, zwei Dimensionen selektiert für die Visualisierung) mit der wahren, durch ein Ellipsoid mit durchgezogener Line markierten Kovarianzmatrix. Darübergelegt ist die geschätzte Kovarianzmatrix (gestrichelte Linie). (B): Eigenwertspektrum einer gegebenen Ko- varianzmatrix (durchgezogene Linie) und Eigenwertspektrum der Kovarianzmatrix geschätzt durch endlich viele Punkte (N = 50, 100, 200, 500) aus der entsprechenden Gaussverteilung. Nach kurzer Pause wird die nächste Vorgabe präsentiert (für eine detaillierte Beschreibung des Paradigmas siehe BLANKERTZ et al. 2007). Das Ziel dieser ersten Feedbackstudie war es, auszuloten, welche maximalen Informationstransferraten (ITR) ohne exzessives Nutzertraining und ohne die Nutzung von evozierten Potentialen erreichbar sind. Die ITR nach SHANNON quantifiziert den Informationsgehalt, der über einen verrauschten Kanal übertragen werden kann; im Zusammenhang mit BCI gilt: bit rate (p, N) = , [1] wobei p die Genauigkeit der BCI-Klassifikation bei N Klassen ist. Im obigen Feedback wäre dies N = 2 mit p als Entscheidungsgenauigkeit. Um zusätzlich die Entscheidungsgeschwin- digkeit in das ITR-Maß einzuschließen, definieren wir ITR [bits/min] = duration in minutes · bitrate(p, N). [2] In dieser im BCI-Feld verbreiteten Form (WOLPAW et al. 2002) berücksichtigt die ITR die un- terschiedlichen Längen der Trials (d. h. die Entscheidungsgeschwindigkeiten) und die Anzahl der Alternativen. Sinnvolle Resultate sind aber nur zu erwarten, wenn die Verteilungsannah- men über die zu erwarteten Fehler erfüllt sind. Die Nutzer der beschriebenen Studie waren sechs Wissenschaftler des BBCI-Teams, von denen die meisten bereits BCI-Erfahrung besaßen. Zunächst wurden die Parameter zur EEG- Vorverarbeitung individuell eingestellt und der Klassifikator auf individuellen Kalibrations- daten trainiert, dann konnte das Feedback beginnen. In einer kurzen Gewöhnungsphase hatten die Nutzer Gelegenheit zur Nachjustierung einiger Parameter der Steuerung, wie z. B. der Ge- Forschen an einer neuen Schnittstelle zum Gehirn: Das Berliner Brain-Computer-Interface Nova Acta Leopoldina NF 110, Nr. 377, 235–257 (2011) 245 A BA B p log2 p( )+ 1 p( )log2 1 p N 1 + log2 N( ) # of decisions