NEARBY: Rausch- und variabilitätsfreie Brain-Computer-Interface Systeme für einen Einsatz auch außerhalb des Labors

In dem Vorhaben "NEARBY" sollen rausch- und variabilitätsfreie Brain-Computer-Interface (BCI) Systeme entwickelt werden. Dadurch soll diese Technologie robuster und verlässlicher gemacht und ein alltäglicher Einsatz auch außerhalb von kontrollierbaren Laborbedingungen ermöglicht werden, bspw. für handfreie Interaktionen mit robotischen Systemen in Industrieszenarien oder durch die Einbettung in Rehabilitationsszenarien, z.B. unterstützt durch Exoskelette. BCI Systeme fungieren als Schnittstelle und Übersetzer für die rein durch Vorstellungskraft getriebene Bedienung technischer Systeme, zum Beispiel intelligente Prothesen für körperlich Beeinträchtigte. Dabei fallen große Datenmengen an, weshalb auf Verarbeitungsmethoden der Künstlichen Intelligenz (KI) zurückgegriffen wird. In "NEARBY" werden zwei Arten von BCI betrachtet: 1) Motorische BCIs und 2) Sprachbasierte BCIs. Eine große Herausforderung von BCIs liegt in Variabilität und Rauschen, weil Gehirnaktivität sowohl inner- als auch zwischenmenschlich stark schwanken kann, je nach mentalem oder körperlichem Zustand der Person. In "NEARBY" wird zu diesem Zweck eine umfangreiche, neuartige Datenbank erhoben, die explizit hohe Schwankungen beinhalten soll. Dafür werden mehrere Versuchspersonen über längere Zeiträume unter unterschiedlichen Bedingungen und Umgebungen dabei beobachtet, wie sie immer wieder die gleiche Aufgabe mittels BCIs lösen. Diese Datenbank soll nach Projektende offen zugänglich gemacht werden. Mithilfe von modernen und unterschiedlichen Ansätzen des Maschinellen Lernens möchte "NEARBY" dann übertragbares Wissen aus den Experimenten gewinnen und generalisierte Modelle entwickeln, um dadurch ein verallgemeinerbares BCI-System trainieren und bereitstellen zu können. Weiter werden die entwickelten Modelle auf sogenannte Field Programmable Gate Arrays (FPGA) übertragen, um eine höchst effiziente Ausführung der BCI zu realisieren und die neuen Methoden in einem reellen Szenario zu evaluieren.