Individualisierte Kalibrierung in einem SSVEP-basierten Brain-Computer Interface

Bei Brain-Computer Interfaces werden bestimmte Signalmuster im Gehirnsignal detektiert und zur Generierung von Steuersignalen verwendet. Am zuverlässigsten und schnellsten zu detektieren sind unter anderem die sogenannten Steady-State Visual Evoked Potentials. Hierbei handelt es sich um gemessene Reaktionen auf einen externen Stimulus, der mit einer konstanten Frequenz blinkt. Unterschiedliche Frequenzen können dabei mit verschiedenen Steuerbefehlen verknüpft werden. Eine generelle praktische Funktionalität von BCIs ist allerdings eingeschränkt aufgrund von Geschwindigkeit, Genauigkeit und Stabilität der Signalverarbeitung. So variiert das Gehirnsignal nicht nur zwischen verschiedenen Anwendern, sondern auch zwischen unterschiedlichen Sitzungen. Aus diesem Grund werden häufig verschiedene Parameter eines BCIs vor einer Sitzung individuell für den jeweiligen Benutzer kalibriert. Zwei Problemstellungen einer solchen Kalibrierung werden in dieser Dissertation untersucht. In einem ersten Kalibrierungsschritt wird versucht, im Hinblick auf zeitkritische Anwendungen die Merkmalsextraktion dahingehend zu verbessern, dass ein Datenfenster von 0,5s EEG-Daten für eine robuste Erkennung des fokussierten Stimulus ausreicht. Hierzu wird eine autoregressive Störsignalabschätzung verwendet, deren Modellordnung in einem Bereich zwischen p=1 und p=60 kalibriert wird. Im zweiten Teil der Dissertation wird eine Kalibrierung von Stimulus Frequenzen aus einem Frequenzbereich ab 30Hz untersucht. In einer Re-Test Untersuchung, in der Probanden über einen Zeitraum von ungefähr sechs Wochen mehrmals eine Kalibrierung der Stimulus Frequenzen durchlaufen, zeigt sich, dass besonders 32Hz als Stimulus unabhängig von den Probanden stabil erscheint.