Detailseite
Projekt Druckansicht

Multimodale und multivariate maschinelle Lernmethoden für nichtlinear gekoppelte oszillatorische Systeme

Fachliche Zuordnung Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
Kognitive und systemische Humanneurowissenschaften
Softwaretechnik und Programmiersprachen
Theoretische Informatik
Förderung Förderung von 2013 bis 2016
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 236447838
 
Das Lernen von angemessenen und nützlichen Repräsentationen von Daten ist eine der fundamentalen Aufgaben des modernen Maschinellen Lernens. Multimodale bildgebende Verfahren sind jüngst zu wichtigen Werkzeugen geworden, und zwar sowohl in der Grundlagenforschung als auch in der täglichen Anwendung z.B. für klinische Diagnosen. Methoden des Maschinellen Lernens haben es ermöglicht, unser Verständnis von multimodalen neurowissenschaftlichen Daten zu erweitern und neue Einblicke durch eine Vielzahl hochdimensionaler Daten zu gewinnen. Beispiele fürsolch hochdimensionale und multimodale Datensätze sind simultan gemessene oszillatorische Aspekte (per EEG oder MEG) und hemodynamische Aspekte (fMRI oder NIRS) neuronaler Aktivität. Jedochsind aktuell verwandte Analysemethoden noch nicht in der Lage, die zugrunde liegenden gemeinsamen Komponenten zu extrahieren, wenn die Kopplung der beteiligten Systeme von nichtlinearer Natur ist. Dies liegt darin begründet, dass die Methoden entweder derMultimodalität der Daten --, oder aber der involvierten Nichtlinearitität in der Kopplung nicht genügend Rechnung tragen. Darüber hinaus kranken aktuell verwandte Methoden unter ihremKompromiss zwischen Präzision und Interpretierbarkeit.Im ersten (analytischen) Projektteil werden wir neuartige multivariate Methoden entwickeln zurExtraktion nichtlinear gekoppelter Quellen aus multimodalen Datensätzen, die wiederum mit Hilfe von bildgebenden Verfahren gewonnen wurden. Insbesondere werden wir uns auf spezifischegenerative Modelle konzentrieren, um niedrig dimensionale Repräsentationen für multimodale Daten zu finden, welche die gekoppelten Dynamiken des zugrunde liegenden Systems bestmöglicherklären. Da wir unsere Methoden auf bestimmte generative Modelle stützen, werden auch unsere Ergebnisse innerhalb dieser Modelle interpretierbar sein. Insbesondere, wollen wir neuartige multimodale und multivariate räumliche Filtermethoden entwickeln, um Quellen zuextrahieren, deren Dynamiken nichtlinear und nicht-instantan gekoppelt sind. Indem wir eine gemeinsame Quellraumrepresentation für die multimodalen Daten suchen, erwarten wir nicht nur exzellente Ergebnisse im Hinblick auf die zu findenden Kopplungen der Modalitäten, sondern wir wollen auch den oben genannten unglücklichen Kompromiss zwischen Präzision undInterpretierbarkeit überwinden.Im zweiten Projektteil werden wir die neuentwickelten Methoden auf offene Fragestellungen in den Bereichen der Neurowissenschaften und Neurotechnologie anwenden. Wir erwarten, substantiell zu folgenden Fragestellungen beizutragen: (i) Was sind die Mechanismen, die der Bildung von Ereigniskorrelierten Potentialen (EKP) zugrunde liegen? (ii) Neuartige unüberwachte Trainingsmethoden für Brain-Computer Interfaces und (iii) besseres Verständnis der gemeinsamen Dynamiken von EEG Spektralpower und NIRS Messungen, welches zu verbesserterQualität von multimodalen BCI Anwendungen führen wird.
DFG-Verfahren Sachbeihilfen
 
 

Zusatzinformationen

Textvergrößerung und Kontrastanpassung