Using Riemannian Processing to Represent Manifolds in EEG

Dieses Kapitel befasst sich mit der Anwendung der Riemanschen Verarbeitung zur Darstellung von Mannigfaltigkeiten in Elektroenzephalographie-Daten (EEG), wobei der Schwerpunkt auf motorischen Bildaufgaben liegt. Die Studie analysiert Daten aus fünf motorischen Bildtrainings, an denen neun Probanden teilnahmen. Dabei werden Datenepochen mithilfe der Riemannschen Verarbeitung in Kovarianzmatrizen umgewandelt und in einen tangentialen euklidischen Raum projiziert. Die Ergebnisse zeigen, dass die Riemann'sche Verarbeitung latente Mannigfaltigkeiten in nichtinvasiven EEG-Daten identifizieren kann, wodurch sie über Sitzungen und Probanden hinweg konsistente Darstellungen liefert und gleichzeitig die Unterscheidung zwischen motorischen Bildklassen aufrechterhält. Das Kapitel hebt das Potenzial dieses Ansatzes zur Verbesserung der Gehirn-Maschine-Schnittstellen (BMI) hervor, indem er individuelle und Sitzungen besser verallgemeinert, ohne dass eine Neukalibrierung erforderlich ist. Außerdem wird ein Lernindex eingeführt, der den Lernprozess motorischer Bilder quantifiziert und zeigt, dass erfolgreiche Lernende im Laufe der Zeit eine zunehmende Trennung zwischen motorischen Bilderklassen aufweisen. Die Studie legt nahe, dass die Riemansche Verarbeitung die Anpassungsfähigkeit von BMIs signifikant verbessern könnte, was wichtige Implikationen für motorische Rehabilitation und kognitive Trainingsanwendungen hätte. Das Kapitel schließt mit der Empfehlung weiterer Forschungen, um diesen Ansatz auf andere EEG-Datensätze und mentale Aufgaben anzuwenden, um seine Wirksamkeit zu bestätigen.