02.07.2025, 10:00 Uhr
Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien
Titel: Decoding Features of Language from Microelectrode Array Data
Kurzfassung:
Sprach-Brain Computer Interfaces (BCI) unterstützen die Kommunikation von Patient:
innen mit neurologischen Einschränkungen wie z.B. dem Locked-in-Syndrom. Mithilfe
von Decodierungsalgorithmen, die auf Signalverarbeitungstechniken und maschinellem
Lernen basieren, wird sprachlicher Ausdruck über eine sogenannte Kommunikationsprothese
ermöglicht.
Diese Masterarbeit untersucht die Decodierung von sprachlichen Informationen aus
Multielektrodenarray-Daten (MEA). Mit Techniken aus der aktuellen Forschungen ist
es bereits gelungen, sprachliche Informationen aus MEA-Aufnahmen im Motor Cortex
des Gehirns zu decodieren, jedoch gibt es bisher fast keine Publikationen über die Decodierung
von MEA-Daten aus sprachspezifischen Arealen. Diese bieten jedoch das
Potenzial, Aphasiepatient:innen zu unterstützen, welche bereits in früheren Stadien der
Sprachproduktion eingeschränkt sind und ihre kommunikativen Absichten nicht in artikulatorische
Anweisungen übersetzen können.
In diesem Projekt wurden MEA-Daten untersucht, welche von einer Aphasie-Patientin
stammen und in Gehirnregionen, die spiegelbildlich zu sprachspezifischen Arealen (Gyrus
frontalis medius (MFG), Gyrus frontalis inferior (IFG), Gyrus angularis (AG) und Gyrus
supramarginalis (SMG)) in der rechten Hemisphäre liegen, aufgezeichnet. Verschiedene
Machine Learning-Architekturen wie Supportvektormaschinen und neuronale Netze wurden
darauf trainiert, aus den Experimentdaten sprachliche Informationen auszulesen und
wurden mit Metriken wie Accuracy und Mean Squared Error evaluiert.
Die Ergebnisse zeigen, dass syntaktische und semantische Kategorien sowie individuelle
Wörter aus einem Naming-Experiment mit Accuracies, die über dem Zufall liegen,
klassifiziert werden können. Hierbei schienen vor allem die Elektroden aus den MFGund
IFG-Arealen ausschlaggebend zu sein. Im Gegensatz dazu war es mit den trainierten
Modellen nicht möglich, ganze Sätze, welche die Patientin hörte, zu decodieren. Ein
eindeutiger Zusammenhang zwischen Modellkomplexität und Ergebniswerten konnte nicht
gezeigt werden: Während für weniger komplexe Aufgaben wie die Klassifikation von
syntaktischen Kategorien einfachere Modelle bessere Ergebnisse erzielten, war dieser
Zusammenhang bei komplexeren Aufgaben weniger eindeutig.