This project is about applying (and probably adjusting) a linear time clustering algorithm for brain fiber activity to work with saccadic trajectories. The result will be a clustering of saccades (= saccade bundle).

The algorithm will be applied to eye-tracking data recorded while viewing fine art and while driving. These bundles could give insight into the perception of art (e.g. do saccades follow composition lines) and can be used to quantify saccadic distributions and traversals towards different interesting areas for driving (e.g. control gaze towards the rear mirror). The algorithm will be included in our eye-tracking data analysis software EyeTrace.

Ansprechpartner: Dr. Thomas Kübler

Beschreibung:
Menschen können ihre Aufmerksamkeit gezielt lenken. Eine Methode diese Aufmerksamkeitszuweisung aufzuzeichnen sind Eye-Tracking Aufnahmen: Objekte, die momentan interessant sind, werden mit den Augen fixiert. Oftmals ist es nicht nur interessant, wohin einzelne Individuen ihre Aufmerksamkeit lenken, sondern auch ein Vergleich zwischen Individuen oder verschiedenen Zeitpunkten. Hierzu werden diese auf einfache Elemente reduziert: Fixationen und Sakkaden (schnelle Augenbewegungen). Die zeitliche Abfolge und räumliche Position von Fixationen und Sakkaden nennt man Scanpath. Aktuelle Vergleichsmetoden basieren auf zwei verschiedenen Ansätzen:

• Umwandlung des Scanpaths in eine String-Repräsentation und Anwenden bioinformatischer String-Alignment Techniken.
• Vergleich der Scanpaths als Vektorpfad.

Beide Methoden zeichne sich durch massive Einschränkungen und sehr begrenzte Anwendbarkeit aus: Sie funktionieren generell nur bei einfachen Scanpaths und unbewegtem Betrachter gut. Deshalb ist die Analyse von Hand noch immer sehr verbreitet, obwohl hierdurch Objektivität verloren geht und viel Zeit nötig ist.

Aufgabenstellung:
Ziel dieser Arbeit ist die Verbesserung bestehender Scanpath Vergleichsmethoden. Dies beinhaltet zum einen das Finden geeigneter Distanzmetriken, zum anderen die Anwendung von Pattern-Recognition Verfahren. Das Erkennen und Wiederfinden kurzer Wiederholter Muster (Schulterblick oder Blick in den Rückspiegel beim Autofahren) könnte die momentane Verfahren deutlich verbessern.

Ansprechpartner: Jun.-Prof. Dr. Enkelejda Kasneci, Dr. Thomas Kübler

Ansprechpartner: Dirk Tassilo Hettich

Beschreibung: Ein Brain-Computer Interface (BCI) ist eine Schnittstelle zwischen dem menschlichen Gehirn und einem Computer und soll es körperlich gelähmten Patienten möglich machen einen Computer über reine Gehirnaktivität zu steuern. Das in Tübingen 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 ermöglicht, so läuft 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 ermöglichen. 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 übertragen werden und deren Genauigkeit an vorhandenen c-VEP Daten simuliert werden. Abhänging 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 Spüler

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 Spüler

Description:  Stroke is one of the leading causes for disability. In the last years, Brain-Computer Interfaces (BCIs) have emerged as a tool to translate brain activity and it has been shown that BCIs can successfully used for stroke rehabilitation and to improve recovery in those patients.    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. To be able to simulate the effects of BCI training in stroke patients, a computational model is needed.

Task: 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. An improved version of this network has been implemented in our lab. The focus of this work lies on extending the simulation of the simulated limb to be more realistic (including different muscles), adjust the neural network to be able to learn motor control of the more complex limb and investigate how effects of stroke can be modeled (by removing certain connections or neural populations).

Requirements: High motivation, Good programming skills, experience with Matlab and a neuroscientific background is beneficial.

Ansprechpartner: Dr. Martin Spüler

Beschreibung:
Bei der Bestimmung der visuellen Aufmerksamkeit eines Fahrers spielen Augenbewegungen, insbesondere Fixationen und Sakkaden, eine entscheidende Rolle. Zur Erkennung dieser Augenbewegungen auf Basis eines Kamerasignals sind in den letzten Jahren verschiedene Algorithmen entwickelt worden. Inwieweit diese Algorithmen auch bei Messdaten geringerer Qualität, wie z.B. aus Realfahrten, zuverlässige Ergebnisse liefern, muss jedoch evaluiert werden.

Aufgabenstellung:
Nach der Einarbeitung in den Stand-der-Technik, sollen bestehende Verfahren zur Klassifikation der Augenbewegungen in MATLAB re-implementiert werden. In einem ersten Schritt sollen diese Algorithmen auf Kameradaten höherer Qualität aus Fahrsimulatorfahrten angewendet und mit den Ergebnissen aus der Literatur verglichen werden. Anschliessend werden sie auf reale Fahrdaten erwarteter Serienqualität angewendet und ggf. an diese Daten geringerer Qualität angepasst. Zudem werden die Algorithmen in ein online-fähiges Simulinkmodell zur Verwendung im Versuchsträger übertragen werden.

Ansprechpartner: Jun.-Prof. Dr. Enkelejda Kasneci