UNIVERSITÄTSKLINIK FÜR NEUROLOGIE

  • AG_BMI0
  • AG_BMI1

Motorisches Lernen und Hirn-Maschine Interaktion

Leitung

Prof. Dr.-Ing. Hermann Hinrichs

Mitarbeiter

Dr. rer. nat. Stefan Dürschmid
Dipl.-Inform. Christoph Reichert
Dipl.-Ing. Gennady Sintotskiy

Kooperationen

  • Prof. Robert T. Knight (Helen Wills Neuroscience Institute, University of California, Berkeley, USA)
  • Prof. Rudolf Kruse (Institut für Wissens- und Sprachverarbeitung, Otto-von-Guericke-Universität, Magdeburg)
  • Prof. Georg Rose (Institut für Informations- und Kommunikationstechnik, Otto-von-Guericke-Universität, Magdeburg)

Thema

Regelmäßig werden wir vor neue Aufgaben gestellt, die das Erlernen von Bewegungsabläufen erfordern und dadurch die Aufgabe besser lösbar machen. In unserer Arbeitsgruppe untersuchen wir die neuronale Organisation von Lernaufgaben, um die Vernetzung und das Zusammenarbeiten verschiedener Hirnregionen besser zu verstehen.

Ein Schwerpunkt in unserer Arbeitsgruppe ist die Interaktion des menschlichen Gehirns mit einer Maschine oder einem Computer. Mit sogenannten Brain-Machine Interfaces (BMI) ist es möglich, durch willentliche Modulation der eigenen Hirnaktivität Kontrollsignale zu generieren, ohne einen Muskel zu bewegen. Das Grundkonzept basiert auf der Beobachtung, dass schon die Vorstellung einer Bewegung messbare spezifische Veränderung der elektrischen Hirnaktivität auslöst.

Beispielsweise führt die Vorstellung, eine Hand oder einen Fuß zu bewegen, zur Aktivierung motorischer Hirnareale. In einem Trainingsprozess lernt das BMI, welche Veränderungen der Hirnaktivität mit bestimmten Bewegungsvorstellungen assoziiert sind. Diese Information kann dann in Steuersignale für diverse Anwendungen umgewandelt werden. Damit ist es möglich, motorisch schwer beeinträchtigte Patienten im täglichen Leben zu unterstützen oder Rehabilitationsmaßnahmen zu etablieren. Wir arbeiten an der Entwicklung von Signalverarbeitungsverfahren, die in der Lage sind, die vorgestellten Aktionen aus der elektrischen Hirnaktivität eines Menschen zu erkennen und daraus Kontrollsignale für Roboter oder Maschinen zu generieren, die die Funktion der Bewegungsausführung übernehmen. BMIs sollen in Zukunft dazu dienen, die Mobilität von bewegungseingeschränkten Personen zu erhöhen, etwa bei Lähmungen nach Schlaganfall. Dies könnte beispielsweise mit von Nervenimpulsen gesteuerten Prothesen, die echten Gliedmaßen immer ähnlicher werden, erfolgen. Die für die Steuerung von BMIs geeignete elektrische Hirnaktivität misst man gewöhnlich als Elektroenzephalogramm (EEG) an der Kopfoberfläche, aber auch als sogenanntes Elektrokortikogramm (ECoG) invasiv direkt auf der Großhirnrinde (Kortex). Ziel der Arbeitsgruppe ist, mit ihren Forschungsergebnissen die Entwicklung von BMI-unterstützten Assistenzsystemen und Rehabilitationsmaßnahmen voranzutreiben.

BMI_closedLoop700x360 
Abb: Prinzip eines Brain-Machine-Interfaces. Ein BMI kann man als geschlossen Regelkreis (closed-loop) betrachten. Der Benutzer moduliert, abhängig von einer sensorischen (hier: visuellen) Rückkopplung seine neuronale Aktivität willentlich, um eine bestimmte Aktion herbeizuführen. Mit einem geeigneten Messgerät werden diese Hirnsignale aufgezeichnet und gleichzeitig mit einem geeigneten Algorithmus dekodiert. Die entschlüsselten Hirnsignale werden dann in Form von Steuersignalen an den Effektor (hier: virtueller Arm) weitergeleitet, was als Feedback eine entsprechende weitere Reaktion des Benutzers ermöglicht.

 

Ausgewählte Publikationen

Sweeney-Reed CM, Zaehle T, Voges J, Schmitt FC, Buentjen L, Kopitzki K, Hinrichs H, Heinze HJ, Rugg MD, Knight RT, Richardson-Klavehn A.: Thalamic theta phase alignment predicts human memory formation and anterior thalamic cross-frequency coupling. Elife. 2015 May 20;4. doi: 10.7554/eLife.07578.

Guggenmos M, Thoma V, Haynes JD, Richardson-Klavehn A, Cichy RM, Sterzer P.: Spatial attention enhances object coding in local and distributed representations of the lateral occipital complex. Neuroimage. 2015 Apr 10. pii: S1053-8119(15)00282-7. doi: 10.1016/j.neuroimage.2015.04.004.

Sweeney-Reed CM, Zaehle T, Voges J, Schmitt FC, Buentjen L, Kopitzki K, Esslinger C, Hinrichs H, Heinze HJ, Knight RT, Richardson-Klavehn A.: Corticothalamic phase synchrony and cross-frequency coupling predict human memory formation. Elife. 2014 Dec 23;3:e05352. doi: 10.7554/eLife.05352.

Guggenmos M, Thoma V, Cichy RM, Haynes JD, Sterzer P, Richardson-Klavehn A.: Non-holistic coding of objects in lateral occipital complex with and without attention. Neuroimage. 2015 Feb 15;107:356-63. doi: 10.1016/j.neuroimage.2014.12.013. Epub 2014 Dec 12.

Letzte Änderung: 28.09.2018 - Ansprechpartner:

Sie können eine Nachricht versenden an: Ögelin Düzel
Sicherheitsabfrage:
Captcha
 
Lösung: