Application of multivariate methods to an fMRI Brain-Computer Interface

Abstract

The development of real-time functional Magnetic Resonance Imaging (rtfMRI) and the advance in computer technology allow us to acquire functional brain images and analyze them during an ongoing task. Studies with rtfMRI have shown that a healthy human participant can learn to self-regulate the activity of a single brain area. The regulation training is guided by the feedback signal (e.g., visual feedback), which reflects the blood-oxygen-level dependent (BOLD) signal of the target area. In these approaches univariate methods were used to generate feedback signals and further analysis. As univariate methods perform statistical tests on a single voxel independently, it is not considered how the target area interacts with other brain areas and how the interaction changes over the learning. In contrast, multivariate methods can determine the brain states from a combination of activity of multiple brain voxels/areas. Based on these points, this dissertation is dedicated to develop a new multivariate pattern method based on the support vector machine to better understand spatial interactions of multiple brain areas. This method is used to analyze the changes of activation patterns in the whole brain induced by the self-regulation training in the right anterior insular cortex. In the second phase, the multivariate pattern analysis is used to build an fMRI Brain-Computer Interface (BCI) system by classifing the fMRI signals and providing visual feedback in real time. This system successfully classifies multiple discrete emotional states from the fMRI signal. In the last part, the multivariate pattern classifier is used to look over a potential BCI application by trying to find the brain area which is associated with movement intention. Through these approaches, it is demonstrated that the multivariate pattern analysis can be successfully used to improve the current fMRI-BCI and understand the brain changes induced by neurofeedback training.

Die Entwicklung funktioneller Magnetresonanztomographie in Echtzeit (Englisch: real-time functional Magnetic Resonance Imaging, rtfMRI) und Fortschritte in der Computertechnik erlauben es funktionelle Gehirnbilder whrend einer andauernden Aufgabe aufzunehmen und zu analysieren. Studien mit rtfMRI haben gezeigt, dass ein gesunder Proband lernen kann die Aktivität einer einzelnen Gehirnregion selbst zu regulieren. Regulationstraining findet mit Hilfe des Feedbacksignals (z.B. visuelles Feedback) statt, welches das BOLD-Signal (von Englisch: Blood-oxygen-level dependent) der Zielregion repräsentiert. In diesen Ansätzen wurden univariate Methoden benutzt, um Feedbacksignale und weitere Analyseschritte zu erhalten. Da univariate Methoden statistische Tests jedes einzelnen Voxels unabhängig durchführen, beziehen sie nicht ein wie die Zielregion mit anderen Gehirnregionen wechselwirkt und wie diese Wechselwirkung sich im Laufe des Lernens verändert. Im Gegensatz dazu können multivariate Methoden Gehirnzustände durch eine Kombination der Aktivität vieler Gehirnvoxel/regionen feststellen. Von diesem Stand aus ist es das Ziel dieser Dissertation eine neue multivariate Mustererkennungsmethode basierend auf einer Support Vector Machine (Deutsch: Stützvektormethode) zu entwickeln, um räumliche Interaktionen vieler Gehirnregionen besser zu verstehen. Diese Methode wird benutzt, um die Anderungen von Aktivierungsmustern im ganzen Gehirn zu analysieren, die durch das Selbstregulationstraining in der rechten anterioren Insula ausgelöst wurden. Im zweiten Schritt wird die multivariate Mustererkennungsmethode benutzt, um durch Klassifikation der fMRI-Signale und visuelles Feedback eine fMRI Gehirn-Computer-Schnittstelle (Englisch: Brain-Computer Interface, BCI) zu erzeugen. Dieses System klassifiziert erfolgreich unterschiedliche diskrete emotionale Zustände aus dem fMRI-Signal. Im letzten Teil wird die multivariate Mustererkennung in einer mglichen BCI-Anwendung eingesetzt, um die mit Bewegungsabsicht assoziierte Gehirnregion zu finden. Durch diese Ansätze wird gezeigt, dass die multivariate Mustererkennung erfolgreich eingesetzt werden kann, um das gegenwärtige fMRI-BCI zu verbessern und die durch Neurofeedbacktraining induzierten Änderungen im Gehirn zu verstehen.