Gemeinsam mit Partnern wie der RWTH Aachen, dem Uniklinikum Aachen und dem Forschungszentrum Jülich arbeiten wir im Rahmen des Graduiertenkollegs GRK 2610 "InnoRetVision" an der nächsten Generation von Netzhautimplantaten.
Unsere Forschung umfasst:

• Das Design von 3D-Nadelelektrodenarrays, die eine präzisere Stimulation retinaler Zielzellen ermöglichen. Hierbei wurde bereits ein skalierbarer CMOS kompatibler Prozess zur Herstellung von Nadelelektroden mithilfe von galvanischer Elektrodeposition entwickelt die im weiteren Verlauf des Projektes ihre Anwendung in der Retina und zur Klärung von neurowissenschaftlichen Fragestellungen finden sollen.
• Die Entwicklung von adaptive closed-loop Stimulatoren, die in Echtzeit neuronale Signale auslesen und die Stimulationsstrategie automatisch anpassen. Als erste Stimulatoren wurden bereits mehrere application specific integrated ciruits (ASIC) designed und industriell gefertigt.  Hierbei werden neuartige Stimulationsprotokolle wie die hochfrequente Sinusstimultion ermöglicht und im Laufe des Projektes erforscht. Des Weiteren ermöglichen die ASICs eine adaptive Stimulaiton, die die Neuralen Signal während der Stimulation messen und damit die Stimulationsstrategy in Echtzeit optimieren kann.

Das Projekt NEON, initiiert von Forschungsteams der Universität Duisburg-Essen, der Technischen Universität Ilmenau und des Universitätsklinikums Essen, entwickelt ein mobiles, kontaktloses Messgerät zur Erfassung von Vitalparametern wie Puls, Atemfrequenz, Körpertemperatur und Sauerstoffsättigung bei Patient*innen. Ziel ist es, das Risiko von im Krankenhaus erworbenen Infektionen zu verringern, indem der direkte Körperkontakt entfällt. Das Gerät soll zudem den Gesundheitszustand automatisch bewerten und durch Methoden der künstlichen Intelligenz auf andere Krankheiten anwendbar sein. Der Fokus liegt sowohl auf der akuten Überwachung als auch auf der Langzeitbeobachtung des Gesundheitszustandes.

Im Rahmen des Sp:AI:ke geförderten MERCUR-Forschungsprojekts soll an Hardware-Lösungen einer durchgängigen neuronalen Verarbeitungskette für sogenannte End-to-End Brain Computer Interfaces (BCI)-Systeme entwickelt werden, die Online-Algorithmen für Spike-Sortierung und neuronale Dekodierung mit analoger und digitaler eingebetteter Hardware berücksichtigen. Diese Pipeline ist ein grundlegender Baustein für die Entwicklung der nächsten Generation neuronaler Implantate. Das System stützt sich auf modernste Algorithmen des maschinellen Lernens, um Bewegungsabsichten aus der Gehirnaktivität zu entschlüsseln. Die Aufzeichnung und Interpretation von Gehirnsignalen erfordert eine Lösung, die genau, schnell und energieeffizient ist, auf einer kleinen Chipfläche implementiert werden kann und eine geringe Verlustwärme hat. Bestehende Lösungen können diese Anforderungen nicht erfüllen.