AT502450B1 - Verfahren zur bewertung und/oder aufbereitung eines multivariaten signals - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zur Bewertung eines multivariaten Signals für den Einsatz in Brain-Computer-Interfaces. Erfindungsgemäß ist vorgesehen,- dass eine Anzahl der in dem abgetasteten Signal enthaltenen Signale zu einer Anzahl von Signalgruppen kombiniert werden,- dass für jede der Signalgruppen eine Anzahl von Prädiktionswerten ermittelt wird, indem die der jeweiligen Signalgruppe zugeordneten, bereits abgetasteten Signalwerte durch zumindest eine Prädiktionsfunktion verknüpft werden, womit ein dem jeweils bereits abgetasteten Signalwert unmittelbar folgender Signalwert prädiziert wird,- dass die gewählte Prädiktionsfunktion ein Gütemaß für den Prädiktionswert optimiert,- dass für jede Signalgruppe der Logarithmus einer gewichteten Linearkombination bzw. der Quotient mehrerer Linearkombinationen der erhaltenen Gütemaße berechnet und die Koeffizienten der Linearkombinationen durch Anwendung von Ermittlungsverfahren gebildet werden, derart, dass die Extraktionsmöglichkeit der im Signal enthaltenen Informationen optimiert wird und die erhaltenen Linearkombination als Bewertungsmaß für das multivariate Signal herangezogen werden.

Description

österreichisches Patentamt AT502 450 B1 2012-04-15

Beschreibung [0001] Die Erfindung betrifft ein Verfahren gemäß dem Oberbegriff des Patentanspruches 1.

[0002] Insbesondere betrifft die Erfindung ein Verfahren zur Verarbeitung multivariater Gehirnsignale (Elektroencephalogramme (EEG), Elektrokortikogramme (ECoG) oder von Tiefenelektroden abgeleitete Signale), die gleichzeitig von mehreren Elektroden abgeleitet, verstärkt und für die digitale Verarbeitung abgetastet und analog-digital gewandelt wurden.

[0003] Ziel der Erfindung ist vor allem die Definition eines Maßes, das eine exaktere Bewertung eines multivariaten Hirnsignals hinsichtlich des Auftretens bestimmter Ereignisse ermöglicht, worüber das Signal Informationen birgt. Derartige Ereignisse können z.B. durch Denkprozesse bzw. durch Bewegungen bzw. Bewegungsversuche des Körpers verursacht sein, sodass bei einer exakten Bewertung der damit zusammenhängenden elektrischen Signale Schaltvorgänge ausgelöst werden können.

[0004] Die erfindungsgemäßen Ziele werden mit einem Verfahren der eingangs genannten Art mit den im Kennzeichen des Anspruches 1 angeführten Merkmalen erreicht.

[0005] Mit der erfindungsgemäßen Vorgangsweise können die von dem Ereignis stammenden bzw. die durch das Ereignis bewirkten Signale für eine Weiterverarbeitung bzw. Verwertung in einer Art aufbereitet werden, die der Ursache des Ereignisses gerecht wird. Mit dem erfindungsgemäßen Verfahren werden Bewertungsmaße für die Signale erstellt, womit die Aussagekraft der Signale bzw. die Zuverlässigkeit der Beurteilung und Klassifikation dieser Signale erhöht wird. Diese Vorteile werden durch die spezielle Verknüpfung der abgetasteten Signale erreicht und dadurch, dass in den erhaltenen Bewertungsmaßen für das multivariate Signal entsprechende Gestaltungsmöglichkeiten durch Wahl von Koeffizienten bzw. Parametern vorhanden sind, welche durch Anwendung entsprechender Ermittlungsverfahren bzw. Algorithmen variierbar sind. Je nach der gewünschten Aussagekraft des Bewertungsmaßes kann eine der beiden im Anspruch 1 angeführten alternativen Vorgangsweisen gewählt werden.

[0006] Zu bemerken ist, dass das erfindungsgemäße Verfahren zur Bewertung von multivariaten Signalen beliebigen Ursprungs eingesetzt werden kann; in Hinblick auf die gewählte Bildung des Bewertungsmaßes eignet sich das erfindungsgemäße Verfahren vor allem zur Auswertung von elektrischen Signalen, die von einem Menschen abgeleitet werden, so z.B. Hirn- oder Herzoder Muskelsignale, insbesondere für den Einsatz in Brain-Computer-Interfaces (BCI). Die erhaltenen Bewertungsmaße können insbesondere eingesetzt werden, um einen Schaltvorgang, z.B. für das Schalten eines Gerätes, auszulösen.

[0007] Im Folgenden wird das erfindungsgemäße Verfahren anhand der Zeichnung beispielhaft erläutert. In der Zeichnung ist ein Blockschaltbild für die Berechnung von a[n] dargestellt.

[0008] Das zu bewertende abgetastete multivariate Signal Ψ,]=[^["1···>*£.[Β]]Γ setzt sich aus L aufgenommenen Signalen xt[n],l = \,...,L zusammen. Zuerst erfolgt eine Einteilung dieser Signale in K Signalgruppen *mM = xgt)[»]f, k = l.....K (i) insbesondere unterschiedlicher Größe L(k), mit = -Tpu/it”] gemäß einer definierten

Zuordnung P(k,l).

[0009] Für jedes Signal in (1) jeder Signalgruppe k wird weiters eine Prädiktionsfunktion fik,K) gebildet, d.h., insgesamt Σ*-ιΧ^ Funktionen, die jeweils vergangene Werte in der Gruppe x(t)[»-Afil·.., x(t)[n-l] und zusätzlich bereits vorhandene vergangene Prädiktionswerte für die Gruppe i(*i[«-M2],„,i(t)[/i-l]i mjt iw[«] = i auf einen Wert 1 /6 österreichisches Patentamt AT502 450 B1 2012-04-15 = ±«\η-Μ2],..., i(t)[n-l]) [0010] abbilden. Derartige Prädiktionsfunktionen werden in der Literatur z.B. in Zusammenhang mit linearer Prädiktion oder autoregressiven Modellen behandelt (siehe z.B. S.M. Kay, Modern spectral Estimation. Englewood Cliffs (NJ): Prentice Hall, 1988). Somit stellt *'^”1 einen Schätz- bzw. Prädiktionswert eines Gehirnsignalwertes dar, der aus den vorhergegangenen /Wi aufgenommenen Signalwerten und den vorhergegangenen M2 Prädiktionswerten berechnet wird.

[0011] Um die Genauigkeit dieser Prädiktion zu beurteilen, wird für jede Prädiktionsfunktion ein (M) Gütemaß « berechnet, definiert z.B. als Erwartungswert des quadratischen Abstands p\ ** =£{(£/ *[«])} oder als Erwartungswert des Abstandsbetrages P?M etc. W4,b) [0012] Die Prädiktionsfunktionen werden aus einem definierten Funktionenraum F so gewählt, dass der Wert für das Gütemaß optimal wird, also /(*,n) = arg mm pf'a). (2) [0013] Zu beachten ist, dass die angegebenen Beispiele für den Prädiktionsfehler messen, d.h., kleine Werte entsprechen großer Genauigkeit. Natürlich können auch Gütefunktionen bzw. -maße definiert werden, die umgekehrt die Übereinstimmung zwischen Prädiktionswert und Signal messen, sodass große Werte angestrebt werden.

[0014] Im Allgemeinen wird die Prädiktionsfunktion Jl zeitabhängig sein (Zeitindex n), weil zumindest dadurch das Erkennen von Instationaritäten im Signal, hervorgerufen durch das zu erkennende Ereignis, erst ermöglicht wird.

[0015] Für praktische Implementierungen von (2) können Adaptionsalgorithmen verwendet werden, wie sie z.B. in „Adaptive Filter Theory" (S. Haykin, Adaptive Filter Theory, Englewood Cliffs (NJ): Prentice Hall, 4th ed., 2002) beschrieben werden. Diese bestimmen (adaptieren)

Jl in (2) näherungsweise und rekursiv aus . Die Optimierung wird auch bei adaptiven Algorithmen bezüglich einer Funktion aus einem definierten Funktionenraum F durchgeführt.

[0016] Als Alternative zu rekursiven Adaptionsverfahren kann auch mit moving-window Techni- /·(*,») ken das Signal in Abschnitte ("Windows") zerlegt werden, innerhalb derer Jl zeitinvariant und derart gewählt wird, dass das entsprechende Gütemaß im Mittel optimiert wird.

[0017] Aus den Gütemaßen P‘ wird schließlich entweder das Bewertungsmaß «M=Σb<k) loS Σ! fl/(i> Pik,n) A=1 /«1 [0018] oder das Bewertungsmaß ΣbW ^Σ^α(Μ) <xW=*f-m- (3) y dw iog c'k) p\k'n)

k=l M

[0019] berechnet, das die Grundlage für die Bewertung des multivariaten Gehirnsignals darstellt. 2/6 österreichisches Patentamt AT502 450B1 2012-04-15 -(*) l(*) _(*) lik) J*) r(Jfc) [0020] Hierfür müssen die Parameter ' und σ bzw. die Parameter ' , ° , i und a gewählt/ermittelt werden, welche die Eigenschaften von a[n] maßgeblich beeinflussen. Diese können z.B. durch statistische Lernverfahren (siehe z.B. V. N. Vapnik, Statistical Learning Theo-ry. New York: Wiley, 1998; C. M. Bishop, Neural Networks for Pattern Recognition. Oxford: Clarendon Press, 1995) oder andere geeignete Verfahren ermittelt werden, sodass a[n] eine möglichst zuverlässige Detektion der gefragten Ereignisse zulässt.

[0021] In der Zeichnung wird das Ermittlungsverfahren für a[n] in einem Blockschaltbild schematisch veranschaulicht. Links oben befindet sich der Eingang des Systems, für das multivaria-te Signal x[n]. Aus diesem Signal werden die K Signalgruppen x{k)[n] gebildet. Jede dieser Signalgruppen wird anschließend jeweils in einem separaten Block verarbeitet. Eine Signalgruppe x(fc)[A7] wird zusammen mit vorhergegangenen Prädiktionswerten den Prädiktoren fl·’ * zugeführt, welche Prädiktionswerte χ(*ΐη+1] generieren. Im Block p wird aus den Prädiktionswerten des vorherigen Zeitpunkts und dem aktuell aufgenommenen Signalgruppenwert _(M) _(*/) x'"'[a7] das Gütemaß berechnet. Mit diesem Maß Fl wird nun erstens der Prädiktor

Wi.n+1)

Ji adaptiert. Zweitens wird es zusammen mit den Gütemaßen aller anderen Signalgruppen für die Berechnung der Bewertungsmaße a[n] verwendet.

[0022] An einem einfachen Beispiel soll nun eine Möglichkeit für die Ermittlung der Parameter „(*> l(*K /»W j(« “» , ° \ i und a in a[/?] gezeigt werden. Es wird von einem multivariaten Gehirnsignal x[n] = [Aq[/i],...,x6[n]] ausgegangen, d.h., es liegen z.B. sechs Signale vor, aus denen sich aufgrund der anatomischen Anordnung ihrer Ableitpositionen in natürlicherweise zwei Gruppen »^[n] unc| *4[fl],...,x6[n] ergeben. Dementsprechend lassen sich vier Signalgruppen bilden, bestehend aus den beiden anatomischen Gruppen X<)M = und x(2)[«] = [x4[n],...,^6[n]]r und deren Kombinationen x<3)[n] = [χ<,>Γ[/ι],χ(2)Γ[η]]Γ unc| x(4)[n] = [x(2)r[n],x(1)r[»]f [0023] Für diese Signalgruppen soll nun das Bewertungsmaß a[n] gebildet werden, das eine möglichst zuverlässige Detektion der gefragten Ereignisse zulässt. Die hierfür notwendigen

Parameter a>k), ci ) und in (3) könnten in diesem Beispiel durch ein statistisches Lernverfahren ermittelt werden. Dabei ist es vorteilhaft, jedoch nicht zwingend erforderlich, Initialwerte für die Parameter vorzugeben, um möglichst rasche Konvergenz zu einem (im Allgemeinen lokalen) Optimum zu gewährleisten. Im gegebenen Beispiel können mit folgender

Jk)

Wahl gute Resultate erzielt werden: Man wähle für a‘ positive Initialwerte für k = 1,...,4 und / = 1,2,3. Für k = 3,4 und / = 4,5,6 wähle man Null und weiters ci) = a‘k). Die Parameter ö(1), b(4), cf} und cf3) sollen positiv und b{2\ b(3), cP und cP negativ initialisiert werden. Das statistische Lernverfahren optimiert die Parameter in a[n\ derart, dass in vielen Fällen eine zuverlässige Detektion der gefragten Ereignisse ermöglicht wird. 3/6

Claims (4)

1. österreichisches Patentamt AT502 450 B1 2012-04-15 Patentansprüche 1. Verfahren zur Bewertung und/oder Aufbereitung eines multivariaten hirnelektrischen Signals, das Informationen über zumindest ein zu beurteilendes Ereignis beinhaltet, vorzugsweise eines EEG- und/oder ECoG- und/oder Tiefenelektroden-Signals, insbesondere für den Einsatz in Brain-Computer-Interfaces, dadurch gekennzeichnet, - dass das multivariate Signal (XW = 1^(0.-.^(0]11) abgetastet wird und die bzw. eine ausgewählte Anzahl der in dem abgetasteten multivariaten Signal (xM = [*i[,,].->*Jm]] ) enthaltenen Signale (*iM) zu einer vorgegebenen Anzahl (K) von Signalgruppen (χ<Λ:)[«]=[x,(i)t«],...,x^)[w]]r,* = 1,...,ΑΓ) kombiniert werden, - dass für jede der Signalgruppen eine Anzahl von Prädiktionswerten (χ'*ΐ”]) ermittelt wird, indem die der jeweiligen Signalgruppe zugeordneten, bereits abgetasteten Signalwerte ].m = 1.....Mx) unc| gegebenenfalls eine Anzahl vorhandener bzw. für die jeweiligen Signalgruppen bereits ermittelter Prädiktionswerte = durch zumindest eine Prädiktionsfunktion verknüpft werden, womit ein dem jeweils bereits abgetasteten Signalwert unmittelbar folgender Signalwert (X/^M) prädi- ziert wird, - dass die für jedes Signal (*' der einzelnen Signalgruppen eingesetzte Prädiktions- funktion(en) (ff aus einem vorgegebenen Funktionenraum (F), z.B. linearen Funktionenraum, ausgewählt wird (werden), wobei die gewählte Prädiktionsfunktion ein Gütemaß für den Prädiktionswert (χΡΐ”!), z.B. Erwartungswert des quadratischen Abstands zum tatsächlichen Signalwert (x‘ I"]), optimiert, - dass für jede Signalgruppe der Logarithmus einer gewichteten Linearkombination d«-1) ' erhaltenen Gütemaße berechnet und diese für die einzelnen Signalgruppen zusammenge- erhaltenen Werte zu einer weiteren Linearkombination setzt werden, und - dass entweder die Koeffizienten bzw. Parameter ^a‘ ^ der weiteren Linearkombina tion durch Anwendung von Ermittlungsverfahren und/oder Algorithmen, gegebenenfalls statistisches Lernen, neuronale Netze, gebildet werden, wobei die Zuverlässigkeit der Klassifikation der zeitveränderlichen Charakteristika des mulitvariaten Signals und/oder die Trennbarkeit und/oder Extraktionsmöglichkeit der im Signal enthaltenen Informationen optimiert werden, und diese mit den gebildeten Koeffizienten bzw. Parametern erhaltene Linearkombination als Bewertungsmaß (a[ri\) für das multivariate Signal herangezogen wird, - oder für jede Signalgruppe der Logarithmus einer unterschiedlichen bzw. mit neu ge- wählten Koeffizienten bzw. Parametern gewichteten Linearkombination ' ' ' der erhaltenen Gütemaße berechnet wird und diese für die einzelnen Signalgruppen erhaltenen Werte zu einer zusätzlichen, gegenüber der erhaltenen Linearkombination unter- schiedlichen Linearkombination * / zusammengesetzt werden, der Quo tient der erhaltenen und der zusätzlichen Linearkombination gebildet wird, alle Koeffi- /(Jfc) t (*) (*) j(*)v zienten bzw. Parameter ,0 ,c‘ ,a 1 der erhaltenen und der zusätzlichen Linearkombinationen gemeinsam durch Anwendung von Ermittlungsverfahren und/oder Algorithmen, gegebenenfalls statistisches Lernen, neuronale Netze, gebildet werden, wobei die Zuverlässigkeit der Klassifikation der zeitveränderlichen Charakteristika des mulitva- 4/6 österreichisches Patentamt AT502 450 B1 2012-04-15 riaten Signals und/oder die Trennbarkeit und/oder Extraktionsmöglichkeit der im Signal enthaltenen Informationen optimiert werden, und der mit den gebildeten Koeffizienten bzw. Parametern erhaltene Quotient als Bewertungsmaß (cr[/7]) für das multivariate Signal herangezogen wird.
2. 2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass für die Ermittlungsverfahren , (k) »(*) (*) J(*)\ der Koeffizienten bzw. Parameter ,n ,c> ,a > Initialwerte vorgegeben werden.
3. 3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das ermittelte Bewertungsmaß (cr[n]) herangezogen wird, um eine Aussage zu treffen, ob das multivariate Signal als für einen Schaltvorgang eines Gerätes ausreichend substantiiert anzusehen ist.
4. 4. Computerprogrammprodukt mit Programmcode-Mitteln, die auf einem computerlesbaren Datenträger gespeichert sind, um das Verfahren nach jedem beliebigen der Ansprüche 1 bis 3 durchzuführen, wenn das Programmprodukt auf einem Computer ausgeführt wird. Hierzu 1 Blatt Zeichnungen 5/6