Regionbasierte EEG‑Kanalwahl steigert Motor‑Imagery‑Klassifikation
Brain‑Computer‑Interfaces (BCIs) nutzen Elektroenzephalographie (EEG), um Gehirnaktivitäten direkt in Steuerbefehle umzuwandeln. Besonders bei Motor‑Imagery‑Aufgaben – also der Vorstellung von Bewegungen – liefert EEG wertvolle Hinweise auf die zugrunde liegenden kognitiven Prozesse.
Ein zentrales Problem bei EEG‑gestützten BCIs ist die enorme Kanalanzahl: Mehrere Dutzend Elektroden erzeugen hochdimensionale Daten, die die Rechenleistung stark belasten. Um die Effizienz zu steigern, ist eine gezielte Auswahl relevanter Kanäle entscheidend.
Die vorgestellte Methode gruppiert die EEG‑Kanäle nach ihrer funktionellen Zugehörigkeit zu spezifischen Gehirnregionen, die bei Motor‑Imagery‑Aufgaben aktiv sind. Durch diese regionbasierte Kanalwahl werden unwichtige Signale eliminiert, die Datenmenge reduziert und die Rechenkomplexität verringert – gleichzeitig bleibt die Relevanz der extrahierten Merkmale erhalten.
Für jede Kanalgruppe werden drei unterschiedliche Feature‑Extraktionsverfahren angewendet: Common Spatial Pattern (CSP) für räumliche Muster, Fuzzy C‑Means zur Cluster‑Identifikation und Tangent Space Mapping (TSM) zur Erfassung nichtlinearer Signalcharakteristika. Die daraus resultierenden Merkmale werden zu einem kombinierten Feature‑Vektor zusammengeführt, der anschließend zur Klassifikation von Motor‑Imagery‑Aufgaben (z. B. linke Hand, rechte Hand) verwendet wird.
Die Kombination aus regionbasierter Kanalwahl und mehrdimensionaler Feature‑Fusion führt zu einer verbesserten Klassifikationsgenauigkeit und einer höheren Rechenleistung. Diese innovative Herangehensweise bietet einen vielversprechenden Ansatz für die Entwicklung effizienterer und präziserer EEG‑gestützter BCIs.