Detailansicht
Riemannian manifold based EEG decoding algorithm design and the application on real-time BCI system
Jiachen Xu
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Dr.-Studium der technischen Wissenschaften (DissG: Informatik)
Betreuer*in
Moritz Grosse-Wentrup
DOI
10.25365/thesis.73644
URN
urn:nbn:at:at-ubw:1-18321.93426.538586-8
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Dissertation zielt darauf ab, das Feld der Brain-Computer-Interfaces (BCIs) voranzutreiben, indem Bedenken hinsichtlich der Verbesserung der Elektroenzephalographie (EEG)-Dekodierungsalgorithmen angegangen und der Anwendungsbereich aktueller BCIs-Systeme erweitert werden. Um dieses Ziel zu erreichen, schlagen wir eine Reihe von Erweiterungen für das State-of-the-Art Riemann-Manifold-basierte EEG-Dekodierungsframework vor. Diese Erweiterungen umfassen ein rechnerisch effizientes und interpretierbares Framework auf der Grundlage von räumlichen Filtern, die aus dem Tangentialraum extrahiert werden, einen Dekodierungs-Pipeline mit zusätzlicher Nichtlinearität, die aus der Verwendung der Abstandskovarianzmatrix als Eingabefeature abgeleitet wird, sowie eine neuartige Hardware-Lösung für ein geschlossenes transkranielles elektrisches Stimulationssystem, begleitet von einer Original-Software-Lösung. Unsere algorithmischen Beiträge erhöhen das Bewusstsein für die Interpretation des Riemann-Manifold-basierten Dekodierungsframeworks und bieten rechnerisch effiziente, modellagnostische Lösungen. Darüber hinaus vertiefen wir das Verständnis dafür, dass Nichtlinearität oder strikt ausreichende Invarianzeigenschaften in das Standard-Riemann-Manifold-Framework integriert werden müssen. Darüber hinaus präsentiert unsere technische Arbeit eine bequeme und kostengünstige Hardware- und Software-Lösung, um die Implementierung des geschlossenen transkraniellen elektrischen Stimulationssystems zu erleichtern, indem die Verwendung proprietärer Hardware oder Software vermieden wird, was die damit verbundene Forschung weiter vorantreiben kann. Schließlich schlagen wir angesichts unserer Ergebnisse und Diskussionen mehrere zukünftige Forschungsrichtungen für das Feld vor.
Abstract
(Englisch)
This dissertation endeavors to advance the field of Brain-Computer Interfaces (BCIs) by addressing concerns related to the improvement of electroencephalography (EEG) decoding algorithms and extending the applied domain of current BCIs systems. To achieve this goal, we propose a series of extensions to the state-of-the-art Riemannian manifold based EEG decoding framework. These extensions include a computationally efficient and interpretable framework based on spatial filters extracted from the tangent space, a decoding pipeline with extra nonlinearity derived from using the distance covariance matrix as an input feature, and a novel hardware solution for a closed-loop transcranial electrical stimulation system, accompanied by an original software package. Our algorithmic contributions heighten awareness regarding the interpretation of the Riemannian manifold based decoding framework and provide computationally efficient, model-agnostic solutions. Furthermore, we deepen the understanding regarding the need to incorporate nonlinearity or strictly sufficient invariance properties into the standard Riemannian framework. In addition, our technical work presents a convenient and cost-effective hardware and software solution to facilitate the deployment of the closed-loop transcranial electrical stimulation system by circumventing the usage of proprietary hardware or software, which may further advance related research. Finally, in light of our findings and discussions, we suggest several future research avenues for the community, including neural manifold, manifold based deep learning framework, and other direct extensions based on our contributions in this dissertation.
Schlagwörter
Schlagwörter
(Deutsch)
Gehirn-Computer-Schnittstelle EEG-Dekodierung Riemannsche Mannigfaltigkeit Algorithmenentwurf transkranielle elektrische Stimulation mit geschlossenem Regelkreis
Schlagwörter
(Englisch)
Brain-Computer Interface EEG decoding Riemannian manifold algorithm design closed-loop transcranial electrical stimulation
Autor*innen
Jiachen Xu
Haupttitel (Englisch)
Riemannian manifold based EEG decoding algorithm design and the application on real-time BCI system
Paralleltitel (Deutsch)
Entwurf eines Algorithmus zur Dekodierung von EEG auf der Grundlage der Riemannschen Mannigfaltigkeit und die Anwendung auf ein Echtzeit-BCI-System
Publikationsjahr
2023
Umfangsangabe
x, 94 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Marco Congedo ,
Christian Böhm
Klassifikation
54 Informatik > 54.99 Informatik. Sonstiges
AC Nummer
AC16868149
Utheses ID
66594
Studienkennzahl
UA | 786 | 880 | |