Neuroengineering für Human-Centered-Interaction
Neuroengineering for Human-Centered Interaction

Die Veranstaltung „Neuroengineering für Human-Centered-Interaction“ betrachtet insbesondere multidisziplinäre Forschung im Rahmen der Mensch-Maschine-Interaktion und Anforderungen an Hard- und Software sowie Fragen der Datensicherheit bei der Nutzung personenbezogener Daten oder der Erstellung individueller Modelle. Für verschiedene Anwendungen der Medizin und Rehabilitation aber auch für neue Ansätze des autonomen Fahrens oder für den kognitiven Arbeitsschutz können Gehirnaktivitätsdaten genutzt werden, um Intentionen des Menschen automatisch und implizit zu erkennen, um zu verstehen wie Interaktion zwischen Menschen und Maschinen individualisiert und an die tatsächlichen Anforderungen angepasst oder erlernt werden kann. In der Veranstaltung werden unterschiedliche Ansätze der Nutzung von Gehirnaktivität als auch dieser in Kombination mit anderen Daten betrachtet, um sinnvolle Ansätze für die multimodale Interaktion abzuleiten und deren Bedeutung zu verstehen. In diesem Rahmen wird auch auf die speziellen Herausforderungen eingegangen, die die Verwendung personenbezogener Daten und Maschineller Lernverfahren mit sich bringen.

Die Veranstaltung umfasst folgende Anwendungsthemen und die hierfür erforderlichen Grundlagen:

• Quelle der messbaren Gehirnaktivität – insbesondere das Elektroenzephalogramm
• Technische und methodische Möglichkeiten der Aufzeichnung von Gehirnaktivität
• verschiedene Arten der Nutzung für die Interaktion mit ihren Vor- und Nachteilen
• Umgang mit Artefakten – Signalverarbeitung
• Signalfusion und Maschinelles Lernen für die Interpretation von Gehirnaktivität
• Effekt der Klassenverteilung, Transferlernen und Leistungsmetriken
• Inhärent sichere Nutzung von Gehirnaktivität
• spezielle Herausforderungen an die Verwendung personenbezogener Daten
• Anwendungsbeispiele in Medizin, Assistenz und Prävention

Die Studierenden sind in der Lage, die wichtigsten Konzepte und Prinzipien zur Nutzung von Gehirnaktivität für die Mensch-Maschine Interaktion an Beispielen sowie spezielle Herausforderungen an den Schutz persönlicher Daten bei deren Nutzung zu erklären. Sie verstehen die Quellen und Messmethoden für Gehirnaktivität und den Rahmen der Interpretierbarkeit mittels Signalverarbeitung und maschinellen Lernens.

The lecture "Neuroengineering for Human-Centered-Interaction" focuses in particular on multidisciplinary research in the context of human-machine interaction and requirements for hardware and software as well as questions of data security in the use of personal data or the creation of individual models. For different applications in medicine and rehabilitation but also for new approaches of autonomous driving or for cognitive work protection, brain activity data can be used to automatically and implicitly recognize human intentions, to understand how interaction between humans and machines can be individualized and adapted to actual requirements or learned. In the course, different approaches of using brain activity as well as this in combination with other data will be considered to derive meaningful approaches for multimodal interaction and to understand their significance. Within this framework, the specific challenges of using personal data and machine learning will also be addressed.

The course will cover the following application topics and the basics required for them:

• Source of measurable brain activity - in particular the electroencephalogram.
• technical and methodological possibilities of recording brain activity
• different ways of using it for interaction with their advantages and disadvantages
• dealing with artifacts - signal processing
• signal fusion and machine learning for interpretation of brain activity
• effect of class distribution, transfer learning and performance metrics
• Inherently safe use of brain activity
• Special challenges to the use of personal data
• Application examples in medicine, assistance and prevention

Students will be able to explain the main concepts and principles of using brain activity for human-machine interaction through examples, as well as specific challenges for protecting personal data when using it. They will understand the sources and measurement methods to record and analyze brain activity and the limitations of interpreting it using signal processing and machine learning.