• search hit 33 of 4395
Back to Result List

Towards real-world applicability of neuroadaptive technologies : investigating subject-independence, task-independence and versatility of passive brain-computer interfaces

Über die praktische Anwendbarkeit von neuroadaptiven Technologien : Untersuchungen zur Subjektunabhängigkeit, Aufgabenunabhängigkeit und Vielseitigkeit von passiven Gehirn-Computer-Schnittstellen

  • Brain-computer interfacing (BCI) is a relatively new field of study that involves engineering, neuroscience, psychology, and physiology. A BCI is a system that allows direct communication between the brain and the environment, using signals from electroencephalography (EEG) to identify a user's intentions and mental states. This can be used for human-machine interaction (HMI) to adapt software or control a device. Particularly passive BCIs are the most promising for the general population, as they can detect and interpret a user's mental state without requiring their attention. This can enable neuroadaptive technology (NAT), which allows a machine to learn over time how the user perceives and interprets the world. However, there are still obstacles to be overcome before BCI technology can be applied in real-world situations for NAT. In this work I firstly address the issue of subject dependence in training data collection for classifier calibration, which can be time-consuming and impractical. I investigated the training of aBrain-computer interfacing (BCI) is a relatively new field of study that involves engineering, neuroscience, psychology, and physiology. A BCI is a system that allows direct communication between the brain and the environment, using signals from electroencephalography (EEG) to identify a user's intentions and mental states. This can be used for human-machine interaction (HMI) to adapt software or control a device. Particularly passive BCIs are the most promising for the general population, as they can detect and interpret a user's mental state without requiring their attention. This can enable neuroadaptive technology (NAT), which allows a machine to learn over time how the user perceives and interprets the world. However, there are still obstacles to be overcome before BCI technology can be applied in real-world situations for NAT. In this work I firstly address the issue of subject dependence in training data collection for classifier calibration, which can be time-consuming and impractical. I investigated the training of a subject-independent predictive model that is trained on a group of other users' data and applied to online-testing data of a new person. This was done in the context of training an automatic classifier for error detection and correction. Results showed that a classifier model can be trained without user-specific calibration and with high accuracy. The number of electrodes used in training the model was also reduced. Further it was validated that the trained classifier models were based on cortical sources and not other modalities. In a second study I address the issue of task-dependence. To that end I tested the application of a potentially task-independent calibration paradigm for mental workload assessment in a new task. This new task was a speed reading context, where subjects read texts of varying difficulty and speed. The study found that the mental workload prediction model was accurate in classifying mental workload in different reading tasks, indicating that it can be used as a task-independent classifier for mental workload. In a third study I examine if it is possible to measure neural correlates of human moral assessment using a passive BCI on a single-trial basis. A calibration paradigm was developed using pictures that were ranked as morally unacceptable and morally neutral. However, the results showed low classification accuracies and it was not possible to reliably distinguish between a user's subjective moral evaluations on a single-trial basis using current classification approaches. The results presented in this thesis provide solutions towards real-world applicability of NAT enabled by passive BCIs, as examples of a subject-independent and a task-independent classifier are demonstrated and discussed. Further, approaches for increased versatility of passive BCI technology are presented, that could make passive BCIs more feasible for use in future real-world human-machine interaction settings.show moreshow less
  • Ein Brain-Computer Interface (BCI) ermöglicht eine direkte Kommunikation zwischen dem Gehirn und der Umwelt. Dies kann für die Mensch-Maschine-Interaktion (HMI) genutzt werden, um Software anzupassen oder ein Gerät zu steuern. Vor allem passive BCIs sind vielversprechend, da sie mentale Zustände von Nutzern erkennen und interpretieren können, ohne deren Aufmerksamkeit zu erfordern. Dies kann für die neuroadaptive Technologie (NAT) genutzt werden, welche es Maschinen erlaubt, zu lernen, wie ein Nutzer die Welt wahrnimmt und interpretiert. Allerdings gibt es Hindernisse, die überwunden werden müssen, bevor die BCI-Technologie in realen Situationen für NAT eingesetzt werden kann. In dieser Arbeit befasste ich mich zunächst mit dem Problem der Subjektabhängigkeit beim Erheben von Trainingsdaten für die Kalibrierung von Klassifikatoren, die meist zeitaufwändig und unpraktisch ist. Ich untersuchte ein subjektunabhängiges Vorhersagemodell zur automatischen Klassifikation von Fehlerwahrnehmung, das auf einer Gruppe von Daten anderer NutzerEin Brain-Computer Interface (BCI) ermöglicht eine direkte Kommunikation zwischen dem Gehirn und der Umwelt. Dies kann für die Mensch-Maschine-Interaktion (HMI) genutzt werden, um Software anzupassen oder ein Gerät zu steuern. Vor allem passive BCIs sind vielversprechend, da sie mentale Zustände von Nutzern erkennen und interpretieren können, ohne deren Aufmerksamkeit zu erfordern. Dies kann für die neuroadaptive Technologie (NAT) genutzt werden, welche es Maschinen erlaubt, zu lernen, wie ein Nutzer die Welt wahrnimmt und interpretiert. Allerdings gibt es Hindernisse, die überwunden werden müssen, bevor die BCI-Technologie in realen Situationen für NAT eingesetzt werden kann. In dieser Arbeit befasste ich mich zunächst mit dem Problem der Subjektabhängigkeit beim Erheben von Trainingsdaten für die Kalibrierung von Klassifikatoren, die meist zeitaufwändig und unpraktisch ist. Ich untersuchte ein subjektunabhängiges Vorhersagemodell zur automatischen Klassifikation von Fehlerwahrnehmung, das auf einer Gruppe von Daten anderer Nutzer trainiert und auf die Online-Testdaten einer neuen Person angewendet wird. Die Ergebnisse zeigten, dass ein Klassifikatormodell ohne benutzerspezifische Kalibrierung und mit hoher Treffgenauigkeit trainiert werden kann. Auch die Anzahl der für das Training des Modells verwendeten Elektroden wurde reduziert, sowie validiert, dass die trainierten Klassifikatormodelle auf kortikalen Quellen basierten. In einer zweiten Studie testete ich die Anwendung eines potenziell aufgabenunabhängigen Kalibrierungsparadigmas zur Messung von mentaler Arbeitsbelastung in einer neuen Aufgabe - einer Schnellleseaufgabe, bei der die Probanden Texte mit unterschiedlichem Schwierigkeitsgrad und Geschwindigkeit lasen. Die Studie ergab, dass das Modell zur Vorhersage der mentalen Arbeitsbelastung bei verschiedenen Leseaufgaben genau klassifizieren konnte, was darauf hindeutet, dass es als aufgabenunabhängiger Klassifikator verwendet werden kann. In einer dritten Studie habe ich untersucht, ob es möglich ist, neuronale Korrelate der menschlichen moralischen Bewertung durch passive BCIs auf Einzeldurchgangsbasis zu messen. Ein Kalibrierungsparadigma wurde mit Bildern entwickelt, die als moralisch inakzeptabel und moralisch neutral eingestuft wurden. Die Ergebnisse zeigten jedoch eine geringe Klassifizierungsgenauigkeit und es war nicht möglich zwischen den subjektiven moralischen Einschätzungen eines Nutzers auf Einzeldurchgangsbasis mithilfe von derzeitigen Klassifizierungsansätzen zuverlässig zu unterscheiden. Die in dieser Arbeit vorgestellten Ergebnisse bieten Lösungen für die praktische Anwendbarkeit von NAT durch passive BCIs, da Beispiele für einen subjektunabhängigen und einen aufgabenunabhängigen Klassifikator demonstriert und diskutiert werden. Darüber hinaus werden Ansätze für eine größere Vielseitigkeit von passiven BCIs vorgestellt, die deren Einsatz in zukünftiger HMI erleichtern könnten.show moreshow less

Download full text files

Export metadata

Additional Services

Search Google Scholar Stastistics
Metadaten
Author: Lena M. AndreeßenORCiD
URN:urn:nbn:de:kobv:co1-opus4-66521
DOI:https://doi.org/10.26127/BTUOpen-6652
Referee / Advisor:Prof. Dr. Thorsten O. ZanderORCiD
Document Type:Doctoral thesis
Language:English
Year of Completion:2023
Date of final exam:2023/09/29
Release Date:2024/02/26
Tag:Elektroenzephalographie; Erfassung mentaler Zustände; Mensch-Maschine-Interaktion; Neuroadaptive Technologie; Passive Gehirn-Computer-Schnittstellen
Electroencephalography; Human-machine interaction; Mental state assessment; Neuroadaptive technology; Passive brain-computer interfaces
GND Keyword:Elektroencephalographie; Hirnfunktion; Mensch-Maschine-Interaktion; Gehirn-Computer-Schnittstelle
Institutes:Fakultät 1 MINT - Mathematik, Informatik, Physik, Elektro- und Informationstechnik / FG Neuroadaptive Mensch-Technik Interaktion
Licence (German):Creative Commons - CC BY - Namensnennung 4.0 International
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.