Individuelles Training der Handmotorik unter Berücksichtigung geeigneter Gehirnzustände zur Verbesserung der motorischen Leistungsfähigkeit und des motorischen Lernens nach Schlaganfall

• Antragsteller: Dr. Michael Tangermann; Professor Dr. Cornelius Weiller, seit 10/2019
• Fachliche Zuordnung: Klinische Neurologie; Neurochirurgie und Neuroradiologie ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Biomedizinische Systemtechnik ; Kognitive und systemische Humanneurowissenschaften
• Förderung: Förderung von 2017 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 387670982

Fortschritte in der Neurotechnologie und im maschinellen Lernen ermöglichen die Interaktion mit dem Gehirn im geschlossenen Regelkreis. Dies eröffnet neue klinische Anwendungen, etwa für Schlaganfallpatienten. Bei der Wiederholung motorischer Aufgaben weist diese Gruppe eine deutliche Leistungsvariabilität auf. Durch single-trial Datenanalysemethoden aus dem Bereich EEG-basierter Gehirn-Computer Schnittstellen konnten wir zeigen, dass individuelle oszillatorische Signale einen Teil der Variabilität erklären, und sich sogar zu deren Vorhersage nutzen lassen. So sind EEG-Oszillationen als objektive Merkmale (neuronaler Marker) für die Dekodierung von Gehirnzuständen zu verstehen, die zur Erfüllung einer Aufgabe besonders geeignet sind. Aktuelle Dekodierungsmethoden stehen jedoch vor Herausforderungen: Da Merkmale individuell optimiert werden, sind große Trainingsdatensätze notwendig. Zudem schwankt die Dekodierungsgüte aufgrund der Nichtstationarität des EEGs. Auch sind interindividuelle Vergleiche erschwert, da den EEG-Merkmalen oftmals ein klinisch interpretierbares Korrelat fehlt. Durch das Lernen von Wörterbuchrepräsentationen von oszillatorischen Komponenten und durch Methoden des Transferlernens zwischen Datensätzen stellt sich SuitAble diesen Herausforderungen.In einer klinischen Pilotstudie münden die anvisierten algorithmischen Entwicklungen in ein neues closed-loop Trainingsverfahren. Dieses wird mit chronischen Schlaganfallpatienten evaluiert und baut auf einer bestehenden Trainingsmethode auf, bezieht zusätzlich aber den aktuellen Gehirnzustand aktiv mit ein und beeinflusst dadurch den Trainingsverlauf. Da Patienten explizites Feedback über neuronale Merkmale erhalten, erwarten wir, dass sie aktiv lernen, geeignete Gehirnzustände herzustellen, um das Lernen ihrer motorischen Fähigkeiten zu beschleunigen. Der neue Ansatz wird hinsichtlich der Machbarkeit mit Patienten, der Wirksamkeit und der erzielbaren Effizienz im Vergleich zu einem regulären handmotorischen Training evaluiert. Die Wörterbuchrepräsentation soll ermöglichen, trainingsinduzierte Veränderungen funktionell relevanter oszillatorischer Prozesse, z.B. in der sensomotorischen oder visuellen Domäne, zu erfassen und mit jenen von Gesunden zu vergleichen.Wir erwarten durch das interdisziplinäre Projekt SuitAble Ergebnisse in mehreren Bereichen: Die Algorithmenentwicklung trägt dazu bei, Kalibrationszeiten zu verkürzen und closed-loop Experimente mit stabiler, hoher Dekodierungsgüte durchzuführen. SuitAble liefert zudem eine datengetriebene Charakterisierung oszillatorischer Prozesse, die mit erfolgreichem motorischem Lernen verknüpft sind; die zu erwartenden großen Datenmengen aus der Studie werden die Entwicklung neuer Analysemethoden und Protokolle für closed-loop Anwendungen vorantreiben. Zuletzt eröffnet der neue gehirnzustandsbasierte Trainingsansatz neue Wege für individualisierte motorische Rehabilitation und für neue Trainingskonzepte in den Sportwissenschaften.

• DFG-Verfahren: Sachbeihilfen
• Ehemalige Antragstellerin: Dr. Janine Reis, bis 9/2019