Abschlussarbeiten

Im Folgenden sind alle offenen Bachelor- und Masterarbeiten im Bereich "Neural Interfaces and Brain Signal Decoding" aufgelistet. Bei Bedarf k√∂nnen auch gerne eigene Vorschl√§ge bez√ľglich Thema eingebracht werden bzw. nach neuen Themen gefragt bzw. diese im Gespr√§ch erarbeitet werden. Bei Fragen wenden Sie sich bitte an: Dr. Martin Sp√ľler

Bachelorarbeiten

  1. Klassifikation emotionaler Zustände durch Herzratenvariabilität

Klassifikation emotionaler Zustände durch Herzratenvariabilität

Beschreibung:

Der Ausdruck und das Verstehen von Emotionen stellen nicht nur √úberleben sondern auch unser Wohlbefinden im t√§glichen Leben sicher. Menschliche Kommunikation und damit Entscheidungsfindungen basieren stark auf Emotionen. Wissenschaftler erforschen diesen Sachverhalt im Feld Mensch-Computer Interaktion,umdieInteraktionzwischenMenschen und elektronischen Gera ?ten zu verbessern. Mit dem Aufkommen von kosteng√ľnstiger mobiler Hardware, welche es erlaubt die Herzaktivit√§t oder andere k√∂rperliche Signale aufzuzeichnen, ist das Interesse solche Informationen in Alltagsger√§tschaften wie Smartphones zu integrieren stetig gestiegen. Neben der quantified-self Bewegung hat der wissenschaftliche Aspekt automatisiert k√∂rperliche Signale in Kommunikationshilfen f√ľr bewegungseingeschr√§nkte Menschen zu integrieren hohe Wichtigkeit.

Ziele:

Die Ziele dieser Thesis sind zweifältig. Analyse bereits aufgenommener Herzaktivitätdaten durch Herzratenvariabilität bezogen auf drei unterschiedliche emotionale Zustände, i.e. angenehm, neutral, unangenehm. Automatisierte Klassifikation dieser Merkmale in geeignetem maschinellem Lernansatz.

Ansprechpartner: Dirk Tassilo Hettich

Masterarbeiten

  1. Klassifikation emotionaler Zustände durch Herzratenvariabilität
  2. Erweiterung des c-VEP Brain-Computer Interface (BCI) durch einen non-control state
  3. Using spiking neural networks to simulate the effect of BCI-Training

Klassifikation emotionaler Zustände durch Herzratenvariabilität

Beschreibung:

Der Ausdruck und das Verstehen von Emotionen stellen nicht nur √úberleben sondern auch unser Wohlbefinden im t√§glichen Leben sicher. Menschliche Kommunikation und damit Entscheidungsfindungen basieren stark auf Emotionen. Wissenschaftler erforschen diesen Sachverhalt im Feld Mensch-Computer Interaktion,umdieInteraktionzwischenMenschen und elektronischen Gera ?ten zu verbessern. Mit dem Aufkommen von kosteng√ľnstiger mobiler Hardware, welche es erlaubt die Herzaktivit√§t oder andere k√∂rperliche Signale aufzuzeichnen, ist das Interesse solche Informationen in Alltagsger√§tschaften wie Smartphones zu integrieren stetig gestiegen. Neben der quantified-self Bewegung hat der wissenschaftliche Aspekt automatisiert k√∂rperliche Signale in Kommunikationshilfen f√ľr bewegungseingeschr√§nkte Menschen zu integrieren hohe Wichtigkeit.

Ziele:

Die Ziele dieser Thesis sind zweifältig. Analyse bereits aufgenommener Herzaktivitätdaten durch Herzratenvariabilität bezogen auf drei unterschiedliche emotionale Zustände, i.e. angenehm, neutral, unangenehm. Automatisierte Klassifikation dieser Merkmale in geeignetem maschinellem Lernansatz.

Ansprechpartner: Dirk Tassilo Hettich

Erweiterung des c-VEP Brain-Computer Interface (BCI) durch einen non-control state

Beschreibung: Ein Brain-Computer Interface (BCI) ist eine Schnittstelle zwischen dem menschlichen Gehirn und einem Computer und soll es k√∂rperlich gel√§hmten Patienten m√∂glich machen einen Computer √ľber reine Gehirnaktivit√§t zu steuern. Das in T√ľbingen entwickelte c-VEP BCI ist das momentan schnellste nicht-invasive BCI System.


Aufgabenstellung:

Auch wenn das c-VEP BCI momentan schon sehr schnelle und genaue Bedienung erm√∂glicht, so l√§uft es momentan noch in einem synchronen Modus, in dem nach einem festgelegten zeitlichen Muster eine Eingabe erwartet wird und die Person die das BCI steuert somit keine Pausen machen kann. Ziel dieser Arbeit soll es sein die Bedienung des c-VEP BCIs auch in einem asychronen Modus zu erm√∂glichen. Das BCI soll somit non-control states erkennen, also ob der Benutzer gerade das BCI bedienen will oder ob er gerade eine Pause macht. Im Rahmen der Arbeit sollen Methoden zur Erkennung des non-control states die in anderen BCIs Anwendung finden auf das c-VEP BCI √ľbertragen werden und deren Genauigkeit an vorhandenen c-VEP Daten simuliert werden. Abh√§nging von den erzielten Ergebnissen kann eine Erkennung des non-control states auch in die vorhandene BCI Software eingebaut werden und an Probanden getestet werden.

 

Anforderungen:

Interesse an Neurowissenschaften, gute Programmierkentnisse und Erfahrung in Matlab sind von Vorteil.

Ansprechpartner: Dr. Martin Sp√ľler

Using spiking neural networks to simulate the effect of BCI-Training

Description:

A Brain-Computer Interface (BCI) is a tool that allows to control a computer by brain activity only. Its main application is to establish communication for paralyzed patients, but BCIs are also used for stroke rehabilitation and to improve recovery in those patients.

Especially in the latter case, the training effects during BCI usage play an important role since they induce neural plasticity and thereby help recovery in those patients. While it is a fact that using a BCI induces training effects and thereby neural plasticity, it is unknown how the BCI affects neural plasticity and how the BCI can be designed to optimize training effects.

 

Task:

The idea behind this thesis is to simulate the effects of BCI training by using a spiking neural network. Chadderon et al. (2012, Plos One) have shown that spiking neural networks with reinforcement learning can be used to learn motor control of a simulated limb. A similar model should be implemented in the course of the thesis. Based on this spiking neural network model, an EEG recording should be simulated and used to control a BCI application. The output of the BCI can be used to give sensorimotor feedback to the neural network and thereby enable the neural network to learn better BCI control and thereby simulate the effects of BCI training. This model can be further used to evaluate how different BCI algorithms influence the learning and how they have to be designed to optimize learning.

Ansprechpartner: Dr. Martin Sp√ľler