For the english version please click on the picture!

Beschreibung
Ein Brain-Computer Interface (BCI) ist eine Schnittstelle zwischen dem menschlichen Gehirn und einem Computer. BCIs ermöglichen z.B. körperlich gelähmten Patienten einen Computer über reine Gehirnaktivität zu steuern. Das in Tübingen entwickelte EEG2Code BCI ist das momentan schnellste nicht-invasive BCI System. (Quelle)
In Abbildung 1 ist der schematische Ablauf der Methode skizziert. Jeder Buchstabe der virtuellen Tastatur flackert mit einem zufälligen Stimulationsmuster. Dieses Flackern erzeugt im Gehirn sogenannte visuell evozierte Potentiale (VEPs), welche mittels Elektroenzephalographie (EEG) aufgezeichnet werden können. Das EEG wird dann mithilfe eines zuvor trainierten Neuronalen Netzes klassifiziert, wobei der Output dem Stimulationsmuster des Buchstabens (mit einer gewissen Genauigkeit) entspricht, auf den der Nutzer geschaut hat.
Das entwickelte BCI ermöglicht bereits eine schnelle und asynchrone Bedienung, allerdings hat sich in Tests gezeigt, das bestimme Stimulationsmuster zu einer besseren/schnelleren Klassifikation führen.

Zielsetzung
Ziel dieser Arbeit soll es sein die verwendeten Stimulationsmuster adaptiv zu optimieren. Dies bedeutet, dass eine Methode entwickelt werden soll, welche die - zu Beginn zufälligen - Stimulationsmuster "bewertet", sodass sich ein Ranking ergibt. Die besser bewerteten Stimulationsmuster sollen dann häufiger verwendet werden als die schlechteren.
Um dies zu evaluieren ist es nötig das System an sich selbst, sowie mit Probanden zu testen. Diesbezüglich wird es eine Einführung geben wie man ein EEG präpariert.
Zudem sollen die Stimulationsmuster anschließend analysiert werden, mit dem Ziel gewisse Eigenschaften ausfindig zu machen, welche zu einer besseren Klassifikation führen.

Anforderungen
Interesse an Neurowissenschaften, gute Programmierkenntnisse und Erfahrung in MATLAB sind von Vorteil.

Ansprechpartner: Sebastian Nagel

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: Prof. Dr. Enkelejda Kasneci, Dr. Thomas Kübler

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: Prof. Dr. Enkelejda Kasneci