TY - CHAP ED - Zander, Thorsten ED - Fairclough, Stephen T1 - Programme and Proceedings of the Third Neuroadaptive Technology Conference 2022 (NAT'22) N2 - Neuroadaptive technology (NAT) utilizes real-time measures of neurophysiological activity within a closed control loop to create intelligent software adaptation. Measures of electrocortical and neurovascular brain activity are quantified to provide a dynamic representation of the psychological state of the user, with respect to cognitions, emotions and motivation. As such, NAT can access unique aspects of human information processing, and human intelligence, which can subsequently be used to enable more versatile and more human-like forms of machine intelligence. Current trends in different scientific fields indicate an increased interest in integrating context-sensitive information from the human brain into Artificial Intelligence. NAT'22, the Neuroadaptive Technology Conference 2022, was intended to bring scientists interested in Physiological Computing, Applied Neurosciences and Passive Brain-Computer Interfaces together with experts from the fields of Artificial Intelligence, Machine Learning and Intelligent Systems. The main goals of the conference were an exchange of research questions and findings from these fields and the identification of common goals and joint ventures in the domain of Neuroadaptive Technology, including: real-time signal processing, unsupervised vs. supervised ML, designing neuroadaptive interaction, explainable AI (XAI), neuroadaptive applications, hybrid AI systems (DL + symbolic AI) for applied neurosciences, ethics of neurotechnology in real world (responsibility for action, security), cloud-based solutions for data management and more. NAT'22 was held in Lübbenau, near Berlin, and organised by the Society for Neuroadaptive Technology. These Proceedings contain the abstracts of six keynote lectures and a total of 39 submissions in the categories of Brain-Computer Interface & Applications, Ethics & Perspectives, Artificial Intelligence & Machine Learning, and a poster session. N2 - Neuroadaptive Technologie (NAT) nutzt Echtzeitmessungen neurophysiologischer Aktivitäten innerhalb eines geschlossenen Regelkreises, um eine intelligente Softwareanpassung zu ermöglichen. Messungen der elektrokortikalen und neurovaskulären Gehirnaktivität werden quantifiziert, um eine dynamische Darstellung des psychologischen Zustands des Nutzers in Bezug auf Kognitionen, Emotionen und Motivation zu erhalten. Auf diese Weise kann NAT auf einzigartige Aspekte der menschlichen Informationsverarbeitung und der menschlichen Intelligenz zugreifen, die anschließend genutzt werden können, um vielseitigere und menschenähnlichere Formen der maschinellen Intelligenz zu ermöglichen. Aktuelle Trends in verschiedenen wissenschaftlichen Bereichen deuten auf ein zunehmendes Interesse an der Integration kontextsensitiver Informationen aus dem menschlichen Gehirn in die künstliche Intelligenz hin. Die NAT'22, die Neuroadaptive Technology Conference 2022, hatte zum Ziel, Wissenschaftler aus den Bereichen Physiological Computing, Applied Neurosciences und Passive Brain-Computer Interfaces mit Experten aus den Bereichen Artificial Intelligence, Machine Learning und Intelligent Systems zusammenzubringen. Die Hauptziele der Konferenz waren der Austausch von Forschungsfragen und -ergebnissen aus diesen Bereichen und die Identifizierung gemeinsamer Ziele und Unternehmungen im Bereich der neuroadaptiven Technologie, einschließlich: Echtzeit-Signalverarbeitung, unüberwachtes vs. überwachtes ML, Entwurf neuroadaptiver Interaktion, erklärbare KI (XAI), neuroadaptive Anwendungen, hybride KI-Systeme (DL + symbolische KI) für angewandte Neurowissenschaften, Ethik der Neurotechnologie in der realen Welt ( Handlungsverantwortung, Sicherheit), Cloud-basierte Lösungen für Datenmanagement und mehr. Die NAT'22 fand in Lübbenau bei Berlin statt und wurde von der Society for Neuroadaptive Technology organisiert. Der vorliegende Tagungsband enthält die Kurzfassungen von sechs Keynote-Vorträgen und insgesamt 39 Beiträgen in den Kategorien Brain-Computer Interface & Applications, Ethics & Perspectives, Artificial Intelligence & Machine Learning sowie einer Poster-Session. KW - Neuroadaptive technology KW - Brain-computer interface KW - Physiological computing KW - Artificial intelligence KW - Machine learning KW - Neuroadaptive Technologie KW - Künstliche Intelligenz KW - Maschinelles Lernen KW - Künstliche Intelligenz KW - Maschinelles Lernen KW - Gehirn-Computer-Schnittstelle KW - Neurowissenschaften Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-62719 ER - TY - THES A1 - Andreeßen, Lena M. T1 - Towards real-world applicability of neuroadaptive technologies : investigating subject-independence, task-independence and versatility of passive brain-computer interfaces T1 - Über die praktische Anwendbarkeit von neuroadaptiven Technologien : Untersuchungen zur Subjektunabhängigkeit, Aufgabenunabhängigkeit und Vielseitigkeit von passiven Gehirn-Computer-Schnittstellen N2 - Brain-computer interfacing (BCI) is a relatively new field of study that involves engineering, neuroscience, psychology, and physiology. A BCI is a system that allows direct communication between the brain and the environment, using signals from electroencephalography (EEG) to identify a user's intentions and mental states. This can be used for human-machine interaction (HMI) to adapt software or control a device. Particularly passive BCIs are the most promising for the general population, as they can detect and interpret a user's mental state without requiring their attention. This can enable neuroadaptive technology (NAT), which allows a machine to learn over time how the user perceives and interprets the world. However, there are still obstacles to be overcome before BCI technology can be applied in real-world situations for NAT. In this work I firstly address the issue of subject dependence in training data collection for classifier calibration, which can be time-consuming and impractical. I investigated the training of a subject-independent predictive model that is trained on a group of other users' data and applied to online-testing data of a new person. This was done in the context of training an automatic classifier for error detection and correction. Results showed that a classifier model can be trained without user-specific calibration and with high accuracy. The number of electrodes used in training the model was also reduced. Further it was validated that the trained classifier models were based on cortical sources and not other modalities. In a second study I address the issue of task-dependence. To that end I tested the application of a potentially task-independent calibration paradigm for mental workload assessment in a new task. This new task was a speed reading context, where subjects read texts of varying difficulty and speed. The study found that the mental workload prediction model was accurate in classifying mental workload in different reading tasks, indicating that it can be used as a task-independent classifier for mental workload. In a third study I examine if it is possible to measure neural correlates of human moral assessment using a passive BCI on a single-trial basis. A calibration paradigm was developed using pictures that were ranked as morally unacceptable and morally neutral. However, the results showed low classification accuracies and it was not possible to reliably distinguish between a user's subjective moral evaluations on a single-trial basis using current classification approaches. The results presented in this thesis provide solutions towards real-world applicability of NAT enabled by passive BCIs, as examples of a subject-independent and a task-independent classifier are demonstrated and discussed. Further, approaches for increased versatility of passive BCI technology are presented, that could make passive BCIs more feasible for use in future real-world human-machine interaction settings. N2 - Ein Brain-Computer Interface (BCI) ermöglicht eine direkte Kommunikation zwischen dem Gehirn und der Umwelt. Dies kann für die Mensch-Maschine-Interaktion (HMI) genutzt werden, um Software anzupassen oder ein Gerät zu steuern. Vor allem passive BCIs sind vielversprechend, da sie mentale Zustände von Nutzern erkennen und interpretieren können, ohne deren Aufmerksamkeit zu erfordern. Dies kann für die neuroadaptive Technologie (NAT) genutzt werden, welche es Maschinen erlaubt, zu lernen, wie ein Nutzer die Welt wahrnimmt und interpretiert. Allerdings gibt es Hindernisse, die überwunden werden müssen, bevor die BCI-Technologie in realen Situationen für NAT eingesetzt werden kann. In dieser Arbeit befasste ich mich zunächst mit dem Problem der Subjektabhängigkeit beim Erheben von Trainingsdaten für die Kalibrierung von Klassifikatoren, die meist zeitaufwändig und unpraktisch ist. Ich untersuchte ein subjektunabhängiges Vorhersagemodell zur automatischen Klassifikation von Fehlerwahrnehmung, das auf einer Gruppe von Daten anderer Nutzer trainiert und auf die Online-Testdaten einer neuen Person angewendet wird. Die Ergebnisse zeigten, dass ein Klassifikatormodell ohne benutzerspezifische Kalibrierung und mit hoher Treffgenauigkeit trainiert werden kann. Auch die Anzahl der für das Training des Modells verwendeten Elektroden wurde reduziert, sowie validiert, dass die trainierten Klassifikatormodelle auf kortikalen Quellen basierten. In einer zweiten Studie testete ich die Anwendung eines potenziell aufgabenunabhängigen Kalibrierungsparadigmas zur Messung von mentaler Arbeitsbelastung in einer neuen Aufgabe - einer Schnellleseaufgabe, bei der die Probanden Texte mit unterschiedlichem Schwierigkeitsgrad und Geschwindigkeit lasen. Die Studie ergab, dass das Modell zur Vorhersage der mentalen Arbeitsbelastung bei verschiedenen Leseaufgaben genau klassifizieren konnte, was darauf hindeutet, dass es als aufgabenunabhängiger Klassifikator verwendet werden kann. In einer dritten Studie habe ich untersucht, ob es möglich ist, neuronale Korrelate der menschlichen moralischen Bewertung durch passive BCIs auf Einzeldurchgangsbasis zu messen. Ein Kalibrierungsparadigma wurde mit Bildern entwickelt, die als moralisch inakzeptabel und moralisch neutral eingestuft wurden. Die Ergebnisse zeigten jedoch eine geringe Klassifizierungsgenauigkeit und es war nicht möglich zwischen den subjektiven moralischen Einschätzungen eines Nutzers auf Einzeldurchgangsbasis mithilfe von derzeitigen Klassifizierungsansätzen zuverlässig zu unterscheiden. Die in dieser Arbeit vorgestellten Ergebnisse bieten Lösungen für die praktische Anwendbarkeit von NAT durch passive BCIs, da Beispiele für einen subjektunabhängigen und einen aufgabenunabhängigen Klassifikator demonstriert und diskutiert werden. Darüber hinaus werden Ansätze für eine größere Vielseitigkeit von passiven BCIs vorgestellt, die deren Einsatz in zukünftiger HMI erleichtern könnten. KW - Passive brain-computer interfaces KW - Mental state assessment KW - Neuroadaptive technology KW - Human-machine interaction KW - Electroencephalography KW - Passive Gehirn-Computer-Schnittstellen KW - Neuroadaptive Technologie KW - Mensch-Maschine-Interaktion KW - Elektroenzephalographie KW - Erfassung mentaler Zustände KW - Elektroencephalographie KW - Hirnfunktion KW - Mensch-Maschine-Interaktion KW - Gehirn-Computer-Schnittstelle Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-66521 ER -