Forschung

Das Cognitive Systems Lab an der Universität Bremen arbeitet an Silent Speech Interfaces, die es Menschen erlauben, völlig lautlos zu sprechen und dennoch vom Gesprächspartner verstanden zu werden.

Unter kognitiven adaptiven Interaktionssystemen verstehen wir technische Systeme, die in der Lage sind, den Zustand ihres Benutzers zu erfassen und sich an diesen optimal anzupassen.

Am Cognitive Systems Lab entwickeln wir eine Reihe von Systemen, die sich an Menschen mit Demenz richten. Hierbei beschäftigen wir uns sowohl mit der Aktivierung von Menschen mit Demenz als auch mit der Erforschung von unkomplizierten, leicht zugänglichen Früherkennungsmethoden.

Am Cognitive Systems Lab verwenden wir Elektroenzephalografie (EEG), cEEGrids und funktionale Nah-Infrarot Spektroskopie für innovative Benutzerschnittstellen.

Sprache ist die wichtigste natürliche menschliche Kommunikationsform. Damit ist auch Spracherkennung die natürlichste Schnittstelle für Applikationen und erlaubt es, Anwendungen zu entwickeln, die menschliche Kommunikation über Sprach- und Kulturbarrieren hinweg ermöglichen.

Das Cognitive Systems Lab an der Universität Bremen forscht an Gehirn-Computer Schnittstellen (BCI), die Sprachprozesse im Gehirn in hörbare Sprache überführen oder in eine für Menschen lesbare textuelle Form transformieren.

Am Cognitive Systems Lab untersuchen wir verschiedene Forschungsbereiche der multimodalen Aktivitätserkennung, einschließlich Softwareentwicklung und Datensatzaufzeichnung, Segmentierung und Annotation, Merkmalsextraktion, Merkmalsdimensionsstudie, Modellierung menschlicher Aktivitäten, iterative Training und Parametereinstellung, Echtzeit-Erkennungssystem, u.s.w.

Diese Forschung untersucht Artefakte bei der Erfassung von Biosignalen, die in Experimenten häufig aufgrund menschlicher Fahrlässigkeit oder Umwelteinflüssen auftreten, wie z. B. Elektrodenablösung, Missbrauch von Elektroden, unerwartete Magnetfeldinterferenzen und Signalverzerrungen durch menschliche Bewegungen, die von Experimentatoren oder Software während der Erfassung nicht leicht erkennbar sind, kann aber von ML in Echtzeit entdeckt werden.