Brain-Computer-Interface

spezielle Mensch-Maschine-Schnittstelle, die ohne Aktivierung des peripheren Nervensystems eine Verbindung zwischen dem Gehirn und einem Computer ermöglicht

Ein Brain-Computer-Interface (BCI), auch Brain-Machine-Interface (BMI), deutsch Gehirn-Computer-Schnittstelle (manchmal auch Hirn-Maschine-Schnittstelle oder Rechner-Hirn-Schnittstelle), ist eine spezielle Mensch-Maschine-Schnittstelle, die ohne Aktivierung des peripheren Nervensystems, wie z. B. die Nutzung der Extremitäten, eine Verbindung zwischen dem Gehirn und einem Computer ermöglicht. Dazu wird entweder die elektrische Aktivität (nichtinvasiv meistens mittels EEG oder invasiv mittels implantierter Elektroden) oder die magnetische Aktivität (mittels MEG) aufgezeichnet oder die hämodynamische Aktivität des Gehirns gemessen (mittels fMRI oder NIRS) und mit Hilfe von Rechnern analysiert (Mustererkennung) und in Steuersignale umgewandelt. Das BCI stellt eine Anwendung der Neurotechnik dar.

Zentrales Cyton-Board der OpenBCI-Plattform, einem Open-Hardware-BCI

Allgemeines

Bearbeiten
 
Schema eines Brain-Computer-Interfaces

Brain-Computer-Interfaces basieren auf der Beobachtung, dass schon die Vorstellung eines Verhaltens messbare Veränderungen der elektrischen Hirnaktivität auslöst. Beispielsweise führt die Vorstellung, eine Hand oder einen Fuß zu bewegen, zur Aktivierung des motorischen Kortex. In einem Trainingsprozess lernt das Brain-Computer-Interface (also sowohl der Rechner als auch der Mensch), welche Veränderungen der Hirnaktivität mit bestimmten Vorstellungen korreliert sind. Diese Information kann dann in Steuersignale für diverse Anwendungen umgewandelt werden. Ein Beispiel für ein einfaches Brain-Computer-Interface ist eine Auswahl aus zwei Alternativen, indem der Benutzer sich vorstellt, entweder die linke Hand oder aber den rechten Fuß zu bewegen.

Aufgrund hoher und komplexer Datenmengen findet die Signalerkennung und Identifikation mit Formen des maschinellen Lernens (bspw. CNN, LSTM) statt.[1] Durch state-of-the-art Methoden des maschinellen Lernens und der Signalverarbeitung (bspw. Spektrale Leistungsdichte, Generative Adversarial Networks), sind inzwischen auch weniger komplexe BCIs möglich, welche recheneffizientere Algorithmen verwenden und auf geringeren Datenmengen basieren.[2][3]

Zur Verbesserung der EEG-Signalauflösung wird Quantensensorik mit Laserschwellen-Magnetometern entwickelt.[4]

Die Energieversorgung minimalinvasiver Implantate kann unter anderem drahtlos durch Ultraschall erfolgen.[5]

Differenzierung

Bearbeiten

Gelegentlich wird zwischen aktiven und passiven BCI unterschieden. Erstere dienen im Gegensatz zur eingangs dargestellten, allgemeinen Funktionsweise zur aktiven Beeinflussung der elektrischen Aktivität des Hirns. Eine weitere Unterscheidung erfolgt nach operativ eingesetzten (invasiven) und manuell applizier- und entfernbaren (non-invasiven) BCI. Erstere versprechen höhere Signalauflösungen in spezifischen Anwendungsfällen und weniger Störeffekte, bergen jedoch noch das Risiko interner Blutungen.[6] Die Zahl der Befehle, die ein Brain-Computer-Interface zuverlässig unterscheiden kann, hängt wesentlich von der Qualität des EEGs ab. Messungen auf der Kopfhaut haben prinzipiell nur eine sehr eingeschränkte Genauigkeit. Die Entwicklung von Elektroden, die langfristig implantiert bleiben können, ist daher aktueller Forschungsgegenstand.

Die Kommunikation zwischen Mensch und Maschine war bislang bei allen entwickelten Brain-Computer-Interfaces nur in einer Richtung möglich. So lernt der Mensch zwar, dem Rechner kraft seiner Gedanken etwas mitzuteilen, die Antwort des Computers wird bislang jedoch ausschließlich über die normalen Sinnessysteme des Organismus vermittelt (etwa Bilder, Töne, oder elektrische Reizung der Haut). Damit nutzt man bei den Brain-Computer-Interfaces das Gebiet des Biofeedback/Neurofeedbacks. 2018 erfolgte jedoch die erste Kommunikation zwischen zwei Menschen über ein aktives BCI.[7][8]

Anwendungsbeispiele

Bearbeiten
 
Demonstrator eines medizintechnischen BCIs

Die wichtigste Anwendung finden Brain-Computer-Interfaces in der Unterstützung von Menschen mit körperlicher Behinderung. In Verbindung mit einer Buchstabiermaschine können sie etwa Menschen mit einem Locked-In-Syndrom, die die zum Sprechen nötige Muskulatur nicht bewegen können, eine Kommunikation mit der Außenwelt ermöglichen. 2023 erschien ein Preprint, laut dem eine am Lou-Gehrig-Syndrom erkrankten Probandin 62 Wörter pro Minute per BCI übermitteln konnte, was in etwa dem Tempo einer uneingeschränkten Konversation entspreche.[9][10] Brain-Computer-Interfaces sollen auch dazu dienen, die Mobilität von Menschen mit Behinderung zu erhöhen. Ziel sind hierbei von Nervenimpulsen gesteuerte Prothesen oder Neuroprothesen, die echten Gliedmaßen immer näher kommen.

Bei der Datenanalyse von durch Big Data gesammelten riesigen Datenbergen, könnten in Zukunft, die Fähigkeiten von Datenanalysten durch eine hybride Mensch-Maschine Lösung erweitert werden um durch solche Cyborgs interessante Muster zu erkennen.[11]

Aktive BCI versprechen die Linderung psychologischer Belastungen wie Depression oder Aufmerksamkeitsschwächen,[12] sowie die Nachahmbarkeit pharmazeutischer Drogen.[13] Forschende erwägen, BCI zur Differenzierung von Bewusstseinsstörungen einzusetzen.[14] Eine RAND-Studie legt Verbesserungen in der Steuerung von Gefechtssystemen sowie Prognose-Werkzeuge für die Resilienz eingesetzter Soldaten nahe.[15] Im Kontext der Anwendung für teilautonome Waffensysteme werden ethische und regelungstechnische Aspekte problematisiert.[16]

2023 rekonstruierten Forscher die Bilderinnerungen von Probanden mittels funktioneller Magnetresonanztomographie und Stable Diffusion.[17] Bereits zuvor waren BCIs zur Auslesen visueller Vorstellungen unter Laborbedingungen genutzt worden.[18][19]

Fehlende Regulierung

Bearbeiten

BCIs bieten „noch nie dagewesenes Auswertungspotential“ hochsensibler privater Daten.[20] Kritiker des Deutschen Forschungsinstituts für öffentliche Verwaltung warnen, dass Brain-Computer-Interfaces prinzipiell dazu geeignet seien, „Personen zu manipulieren, ihre Identität zu verändern und möglicherweise in den Wahnsinn zu treiben“. Auch könnten damit besonders sensible persönliche Daten, bspw. Gesundheitsdaten und Bankverbindungsdetails, abgegriffen werden. Rechtlich bestünden trotz IT-Sicherheitsrecht, DSGVO und Privacy-by-Design-Gebots[21] Regulierungslücken angesichts von „massiven Gefahren für die Grundrechte“.[22] Auch die Beweiskraft von durch BCI erfassten Sensordaten wird juristisch diskutiert.[23]

Bereits 2017 plädierten renommierte Forscher um Surjo R. Soekadar, Fragen um Autonomie, Verantwortlichkeit und Rechenschaftspflicht, Datenschutz und Privatsphäre, sowie User Experience mehr wissenschaftliche und politische Aufmerksamkeit zu widmen.[24]

Besondere Bedeutung würde diese Problematik erhalten, wenn es hier zu einer Verknüpfung mit Künstlicher Intelligenz (KI) kommen sollte. Nach der Veröffentlichung von chatGPT Ende 2022 gibt es derzeit (Stand: 2023) eine intensive Debatte über die Regulierung von KI.

Siehe auch

Bearbeiten

Literatur

Bearbeiten
  • Christa Maar, Ernst Pöppel, Thomas Christaller (Hrsg.): Die Technik auf dem Weg zur Seele. Forschungen an der Schnittstelle Gehirn/Computer. Rowohlt Taschenbuch Verlag, Reinbek bei Hamburg 1996, ISBN 3-499-60133-8.
  • Jonathan Wolpaw, Elizabeth Winter Wolpaw (Hrsg.): Brain-Computer Interfaces: Principles and Practice. Oxford Univ. Press, 2012, ISBN 978-0-19-538885-5.
  • Rajesh P. N. Rao: Brain-Computer Interfacing. An Introduction. Cambridge University Press, Cambridge 2013, ISBN 978-0-521-76941-9.
  • Nick F. Ramsey, Millán Ruiz, José del Rocio (Hrsg.): Brain-computer interfaces (= Handbook of clinical neurology. 168). Elsevier, Amsterdam / Oxford 2020, ISBN 978-0-444-63934-9.
  • Gernot Müller-Putz, Rüdiger Rupp (Hrsg.): Neuroprosthetics and Brain-Computer Interfaces in Spinal Cord Injury : A Guide for Clinicians and End Users. Springer International Publishing, Cham 2021, ISBN 978-3-030-68545-4.

Zeitschriftenartikel

Bearbeiten
  • Jonathan R. Wolpaw, Niels Birbaumer, Dennis J. McFarland, Gert Pfurtscheller, Theresa M. Vaughan: Brain-computer interfaces for communication and control. In: Clinical Neurophysiology. Nr. 113, 2002, S. 767–791.
  • Niels Birbaumer, N. Ghanayim, T. Hinterberger, I. Iversen, B. Kotchoubey, A. Kübler, J. Perelmouter, E. Taub, H. Flor: A spelling device for the paralysed. In: Nature. Band 398, 1999, S. 297–298. doi:10.1038/18581.
  • Miguel Nicolelis: Actions from thoughts. In: Nature. Nr. 409, 2001, S. 403–407.
  • L. R. Hochberg u. a.: Neuronal ensemble control of prosthetic devices by a human with tetraplegia. In: Nature. Nr. 442, 2006, S. 164–171.
  • Michael Tangermann: Eine Übersicht gängiger Brain-Computer-Interface-Paradigmen für Elektroenzephalogramm- und Magnetenzephalogramm-Messungen. In: Karl-Heinz Pantke (Hrsg.): Mensch und Maschine. Wie Brain-Computer-Interfaces und andere Innovationen gelähmten Menschen kommunizieren helfen. Mabuse Verlag, 2010, ISBN 978-3-940529-59-6, S. 21–38.
  • Rashid Mamunur u. a.: Current Status, Challenges, and Possible Solutions of EEG-Based Brain-Computer Interface: A Comprehensive Review. In: Frontiers in Neurorobotics. Vol. 14, 2020. doi:10.3389/fnbot.2020.00025.
  • Fleury M, Lioi G, Barillot C and Lécuyer A (2020): A Survey on the Use of Haptic Feedback for Brain-Computer Interfaces and Neurofeedback. Front. Neurosci. 14:528. doi:10.3389/fnins.2020.00528
  • Roberto Portillo-Lara u. a.: Mind the gap: State-of-the-art technologies and applications for EEG-based brain–computer interfaces. In: APL Bioengineering. 5, 2021, S. 031507. doi:10.1063/5.0047237.
  • N. Jamil u. a.: Noninvasive Electroencephalography Equipment for Assistive, Adaptive, and Rehabilitative Brain–Computer Interfaces: A Systematic Literature Review. In: Sensors. Band 21, 2021, S. 4754. doi:10.3390/s21144754.
  • K. Douibi u. a.: Toward EEG-Based BCI Applications for Industry 4.0: Challenges and Possible Applications. In: Front. Hum. Neurosci. 13. August 2021. doi:10.3389/fnhum.2021.705064.
  • Silvia Orlandi u. a.: Brain-Computer Interfaces for Children With Complex Communication Needs and Limited Mobility: A Systematic Review. In: Front. Hum. Neurosci. 14. Juli 2021. doi:10.3389/fnhum.2021.643294.
  • R. Chavarriaga, C. Carey, Luis Contreras-Vidal, J, Mckinney, Z, Bianchi, L. : Standardization of Neurotechnology for Brain-Machine Interfacing : State of the Art and Recommendations. In: IEEE Open Journal of Engineering in Medicine and Biology. vol. 2, 2021, S. 71–73, doi:10.1109/OJEMB.2021.3061328.
  • S. Aggarwal, N. Chugh: Review of Machine Learning Techniques for EEG Based Brain Computer Interface. In: Arch Computat Methods Eng. 2022. doi:10.1007/s11831-021-09684-6.
  • Leopoldo Angrisani u. a.: Passive and active brain-computer interfaces for rehabilitation in health 4.0. In: Measurement: Sensors. Volume 18, 2021, 100246, doi:10.1016/j.measen.2021.100246.
  • IEEE SA Industry Connections No. IC17-007 (2020). Standards Roadmap: Neurotechnologies for Brain-Machine Interfacing.
  • M. Branco u. a.: Brain-Computer interfaces for communication: preferences of individuals with locked-in syndrome, caregivers and researchers. In: Disability and rehabilitation. Assistive technology. doi:10.1080/17483107.2021.1958932.
  • M. F. Mridha, S. C. Das, M. M. Kabir, A. A. Lima, M. R. Islam, Y. Watanobe: Brain-Computer Interface : Advancement and Challenges. In: Sensors. (Basel). Band 21, Nr. 17, 26. Aug 2021, S. 5746. doi:10.3390/s21175746.
  • Aleksandra Kawala-Sterniuk, Natalia Browarska, Amir Al-Bakri, Mariusz Pelc, Jaroslaw Zygarlicki, Michaela Sidikova, Radek Martinek, Edward Jacek Gorzelanczyk: Summary of over Fifty Years with Brain-Computer Interfaces—A Review. In: Brain Sciences. Band 11, Nr. 1, 2021, S. 43. doi:10.3390/brainsci11010043.
  • Matheus G. Mussi, Kim Adams: EEG Hybrid Brain-Computer Interfaces: a scoping review applying an existing hybrid-BCI taxonomy and considerations for pediatric applications. In: Front. Hum. Neurosci. 2022. doi:10.3389/fnhum.2022.1007136.
  • P. Arpaia, A. Esposito, A. Natalizio, M. Parvis: How to successfully classify EEG in motor imagery BCI: a metrological analysis of the state of the art. In: J Neural Eng. Band 19, Nr. 3, 17 Jun 2022. doi:10.1088/1741-2552/ac74e0.
  • A. Colucci, M. Vermehren, A. Cavallo, C. Angerhöfer, N. Peekhaus, L. Zollo, W. S. Kim, N. J. Paik, S. R. Soekadar: Brain-Computer Interface-Controlled Exoskeletons in Clinical Neurorehabilitation: Ready or Not? In: Neurorehabil Neural Repair. 25. Nov 2022, S. 15459683221138751. doi:10.1177/15459683221138751.
  • D. Valeriani, F. Santoro, M. Ienca: The present and future of neural interfaces. In: Front. Neurorobot. Band 16, 2022, S. 953968. doi:10.3389/fnbot.2022.953968.
  • Värbu K, Muhammad N, Muhammad Y. (2022): Past, Present, and Future of EEG-Based BCI Applications. Sensors. 2022; 22(9):3331. doi:10.3390/s2209333
  • Hossain KM, Islam MA, Hossain S, Nijholt A and Ahad MAR (2023): Status of deep learning for EEG-based brain–computer interface applications. Front. Comput. Neurosci. 16:1006763. doi:10.3389/fncom.2022.1006763.
  • (Editorial) An interface connects. Nat Electron 6, 89 (2023). doi:10.1038/s41928-023-00938-8. (Brain–computer interfaces are our [Nature Electronics] 2023 technology of the year)
  • Saibene A, Caglioni M, Corchs S, Gasparini F: EEG-Based BCIs on Motor Imagery Paradigm Using Wearable Technologies : A Systematic Review. Sensors (Basel). 2023 Mar 3;23(5):2798. doi:10.3390/s23052798.
  • R. Ajmeria et al., "A Critical Survey of EEG-Based BCI Systems for Applications in Industrial Internet of Things," in IEEE Communications Surveys & Tutorials, vol. 25, no. 1, pp. 184-212, Firstquarter 2023, doi:10.1109/COMST.2022.3232576.
  • Yadav, H., Maini, S.: Electroencephalogram based brain-computer interface: Applications, challenges, and opportunities. Multimed Tools Appl (2023). doi:10.1007/s11042-023-15653-x.
  • Bates M and Sunderam S (2023): Hand-worn devices for assessment and rehabilitation of motor function and their potential use in BCI protocols: a review. Front. Hum. Neurosci. 17:1121481. doi:10.3389/fnhum.2023.1121481
  • Yike Sun, Xiaogang Chen, Bingchuan Liu, Liyan Liang, Yijun Wang, Shangkai Gao, Xiaorong Gao: Signal acquisition of brain-computer interfaces: A medical-engineering crossover perspective review, Fundamental Research, 2024, https://doi.org/10.1016/j.fmre.2024.04.011.
Bearbeiten

Einzelnachweise

Bearbeiten
  1. Nabeeha Ehsan Mughal, Muhammad Jawad Khan, Khurram Khalil, Kashif Javed, Hasan Sajid: EEG-fNIRS-based hybrid image construction and classification using CNN-LSTM. In: Frontiers in Neurorobotics. Band 16, 31. August 2022, ISSN 1662-5218, doi:10.3389/fnbot.2022.873239.
  2. Pascal Penava, Ricardo Buettner: A Novel Small-Data Based Approach for Decoding Yes/No-Decisions of Locked-In Patients Using Generative Adversarial Networks. In: IEEE Access. Band 11, 2023, ISSN 2169-3536, S. 118849–118864, doi:10.1109/ACCESS.2023.3326720 (ieee.org [abgerufen am 15. Januar 2024]).
  3. Pascal Penava, Marie-Louise Brozat, Yara Zimmermann, Johannes Breitenbach, Patrick Ulrich, Ricardo Buettner: Subject-Independent Detection of Yes/No Decisions Using EEG Recordings During Motor Imagery Tasks: A Novel Machine-Learning Approach with Fine-Graded EEG Spectrum. 2023, ISBN 978-0-9981331-6-4 (handle.net [abgerufen am 15. Januar 2024]).
  4. BMBF-Leuchtturmprojekt »NeuroQ«. In: NeuroQ. Fraunhofer-Institut für Angewandte Festkörperphysik IAF, abgerufen am 3. Februar 2023.
  5. Imec: Drahtlose Energieversorgung für minimalinvasive Implantate. In: DeviceMed. 19. Februar 2024, abgerufen am 29. März 2024.
  6. Ragnar Vogt: Invasive BCI. Neurochips, Prothesen, Exoskelett & Tiefe Hirnstimulation. In: DasGehirn.info. 27. Mai 2015, abgerufen am 25. Januar 2021.
  7. The first “social network” of brains lets three people transmit thoughts to each other’s heads. In: MIT Technology Review. 29. September 2018, abgerufen am 25. Januar 2021 (englisch).
  8. Linxing Preston Jiang, Andrea Stocco, Darby M. Losey, Justin A. Abernethy, Chantel S. Prat: BrainNet: A Multi-Person Brain-to-Brain Interface for Direct Collaboration Between Brains. In: Scientific Reports. Band 9, Nr. 1, Dezember 2019, ISSN 2045-2322, S. 6115, doi:10.1038/s41598-019-41895-7, arxiv:1809.08632 [abs].
  9. Antonio Regalado: Hirnimplantat: Patientin schafft mit 62 Worten pro Minute Rekord bei Sprechtempo. In: heise online. MIT Technology Review, 26. Januar 2023, abgerufen am 31. Januar 2023.
  10. Francis Willett, Erin Kunz, Chaofei Fan, Donald Avansino, Guy Wilson, Eun Young Choi, Foram Kamdar, Leigh R. Hochberg, Shaul Druckmann, Krishna V. Shenoy, Jaimie M. Henderson: A high-performance speech neuroprosthesis. Neuroscience, 21. Januar 2023, doi:10.1101/2023.01.21.524489, PMID 36711591, PMC 9882398 (freier Volltext) – (biorxiv.org [abgerufen am 31. Januar 2023]).
  11. David Beer: The Data Gaze. Capitalism, Power and Perception. SAGE Publications 2019, S. 101.
  12. Chancen und Risiken von Gehirn-Computer-Schnittstellen. In: T-Systems. Archiviert vom Original (nicht mehr online verfügbar) am 31. Januar 2021; abgerufen am 25. Januar 2021.  Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/www.t-systems.com
  13. Jochen Müller, Surjo R. Soekadar: Das Paradies ist nur einen Klick entfernt. Beginnt das Zeitalter digitaler Drogen? In: Urania Berlin. 21. Januar 2021, abgerufen am 25. Januar 2021.
  14. Rossella Spataro, Yiyan Xu, Ren Xu, Giorgio Mandalà, Brendan Z. Allison: How brain-computer interface technology may improve the diagnosis of the disorders of consciousness: A comparative study. In: Frontiers in Neuroscience. Band 16, 2022, ISSN 1662-453X, doi:10.3389/fnins.2022.959339 (frontiersin.org [abgerufen am 16. August 2022]).
  15. Anika Binnendijk, Timothy Marler, Elizabeth M. Bartels: Brain-Computer Interfaces: U.S. Military Applications and Implications, An Initial Assessment. 27. August 2020 (rand.org [abgerufen am 25. Januar 2021]).
  16. David Gurney: Killer Robot Arms: A Case-Study in Brain–Computer Interfaces and Intentional Acts. In: Minds and Machines. Band 28, Nr. 4, Dezember 2018, ISSN 0924-6495, S. 775–785, doi:10.1007/s11023-018-9462-9 (springer.com [abgerufen am 12. September 2022]).
  17. Wolfgang Stiegler: "Gedankenlesen": Input für Stable Diffusion direkt aus dem Gehirn. In: heise online. 15. März 2023, abgerufen am 15. März 2023.
  18. Guohua Shen, Kshitij Dwivedi, Kei Majima, Tomoyasu Horikawa, Yukiyasu Kamitani: End-to-End Deep Image Reconstruction From Human Brain Activity. In: Frontiers in Computational Neuroscience. Band 13, 12. April 2019, ISSN 1662-5188, S. 21, doi:10.3389/fncom.2019.00021, PMID 31031613, PMC 6474395 (freier Volltext) – (frontiersin.org [abgerufen am 15. März 2023]).
  19. Michio Kaku: Die Physik des Bewusstseins. Über die Zukunft des Geistes. Rowohlt, Reinbek bei Hamburg 2014, ISBN 3-498-03569-X.
  20. Maurice Oettel: Wesensdaten: Regulierungslücke im derzeitigen Datenschutzrecht. In: Datenschutz und Datensicherheit - DuD. Band 45, Nr. 9, September 2021, ISSN 1614-0702, S. 623–626, doi:10.1007/s11623-021-1502-6.
  21. Maryna Kapitonova, Philipp Kellmeyer, Tonio Ball: A Framework for Preserving Privacy and Cybersecurity in Brain-Computer Interfacing Applications. Version 1.0. Agentur für Innovation in der Cybersicherheit, 30. Juni 2022 (cyberagentur.de [PDF; abgerufen am 16. August 2022]).
  22. Cyberpunk Revisited: Warnung vor unkontrollierten Hirn-Computer-Schnittstellen. In: heise.de. 30. Dezember 2021, abgerufen am 4. Januar 2022.
  23. Maurice Oettel: Smart Human und der Schutz der Gedanken. In: Datenschutz und Datensicherheit - DuD. Band 44, Nr. 6, Juni 2020, ISSN 1614-0702, S. 386–389, doi:10.1007/s11623-020-1289-x (springer.com [abgerufen am 28. Juni 2022]).
  24. Jens Clausen, Eberhard Fetz, John Donoghue, Junichi Ushiba, Ulrike Spörhase: Help, hope, and hype: Ethical dimensions ofneuroprosthetics. In: Science. Band 356, Nr. 6345, 30. Juni 2017, ISSN 0036-8075, S. 1338–1339, doi:10.1126/science.aam7731 (science.org [abgerufen am 12. September 2022]).