Ensemble‑Methoden steigern Zuverlässigkeit asynchroner EEG‑Movement‑Vorhersage

Forscher haben gezeigt, dass die Kombination mehrerer Klassifikatoren die Zuverlässigkeit der asynchronen Vorhersage von Bewegungsabsichten aus EEG‑Signalen deutlich erhöht – ein entscheidender Fortschritt für die robotergestützte Rehabilitation von Schlaganfallpatienten.

Schlaganfälle gehören zu den häufigsten Ursachen von Behinderungen. Um die Genesung zu unterstützen, wird zunehmend selbstinitiierte, robotergestützte Bewegungstherapie eingesetzt. Dafür muss die Absicht des Patienten, sich zu bewegen, frühzeitig erkannt werden, damit ein Roboter rechtzeitig assistieren kann. Diese Absicht lässt sich aus Oberflächen‑EEG‑Signalen ableiten, doch die Echtzeit‑ und asynchrone Klassifizierung stellt eine besondere Herausforderung dar.

In der Studie wurden zwei EEG‑Datensätze mit 14 gesunden Probanden analysiert, die selbstinitiierte Armbewegungen ausführten. Die Forscher verglichen die Leistung von einzelnen Modellen – Support‑Vector‑Machine (SVM), Multilayer‑Perceptron (MLP) und EEGNet – mit Ensemble‑Kombinationen dieser Modelle. Zusätzlich wurde eine gleitende‑Fenster‑Post‑Processing‑Technik eingesetzt, um die Klassifikationsergebnisse zu stabilisieren.

Die Ergebnisse der pseudo‑Online‑Evaluierung zeigten, dass Ensemble‑Modelle die beste Einzelmodellleistung bei optimaler Fensterzahl deutlich übertrafen. Für einzelne Modelle führte ein höheres Fenster‑Anzahl zu einer signifikanten Leistungssteigerung. In der Offline‑Analyse gab es jedoch keine wesentlichen Unterschiede zwischen den besten Einzelmodellen und den Ensembles.

Diese Erkenntnisse deuten darauf hin, dass Ensemble‑Ansätze in Echtzeit‑EEG‑Anwendungen die Robustheit erhöhen und damit die Grundlage für zuverlässigere, robotergestützte Rehabilitationsprogramme legen können.