Machine learning-based strategies for detection and application of neurobiological error-related reinforcement signals in brain-computer interfaces

Gehirn-Computer-Schnittstellen (BCIs) nutzen neuronale Signale zur Kommunikation zwischen dem Gehirn und Geräten. Sie bieten Patienten mit motorischen Beeinträchtigungen eine Schnittstelle zu Systemen, die zur Verbesserung ihrer Lebensqualität dienen. Das Dekodieren neuronaler Daten ist allerdings schwierig und kann eine aufwändige Kalibrierung verlangen. Diese Arbeit untersucht den Einsatz von neurobiologischen fehlerbezogenen Potenzialen (ErrPs) in BCIs. ErrPs werden im menschlichen Gehirn u.a. ausgelöst, wenn der Benutzer einen Fehler des Systems wahrnimmt. Vorgestellte Studien untersuchen die Entwicklung und Validierung eines neuartigen BCI-Lernsystems, welches ErrP und Verstärkungslernen (VL) kombiniert. Die Arbeit validiert die theoretische und praktische Zuverlässigkeit des ErrP-VL-Frameworks durch die umfassende Analyse von Erkennungsfehlereffekten und erforscht die Möglichkeiten des adaptiven BCI-Ansatzes durch die systematische Simulation von neuronalen Signalen.