KI News: Kurz und klar.

Die Nichtstationarität von neuronaler Aktivität, die bei implantierten Elektroden entsteht, stellt ein zentrales Problem für invasive Brain‑Computer‑Interfaces (BCIs) dar. Decoder, die auf Daten einer einzigen Sitzung trainiert wurden, zeigen häufig keine gute Generalisierung auf nachfolgende Sitzungen, und die Anpassung dieser Modelle wird zusätzlich erschwert, wenn nur wenige neue Daten vorliegen.

OpenAI hat in Merge Labs investiert, ein Unternehmen, das von Sam Altman, dem CEO von OpenAI, mitbegründet wurde. Merge Labs arbeitet an einer Technologie, mit der man Geräte über das Gehirn steuern kann – und zwar ohne Implantate im Körper.

Ein neues Forschungsprojekt aus dem Bereich der Brain‑Computer‑Interfaces (BCIs) hat einen bedeutenden Fortschritt erzielt: Mit Hilfe von Vision Transformers und kontrastivem Lernverfahren gelingt es, gesprochene Sprache direkt aus Oberflächen‑ECoG‑Signalen zu rekonstruieren. Diese Technik könnte Menschen mit schwerer Lähmung, die keine Kommunikationsmöglichkeiten mehr haben, wieder eine Stimme geben.

Die Herausforderung, bei der Analyse von EEG-basiertem, vorgestelltem Sprachsignal über verschiedene Personen hinweg zuverlässig zu generalisieren, bleibt bestehen – die neuronalen Aktivitätsmuster variieren stark. In einer neuen Studie wurde untersucht, wie sich Trainingsdynamiken und leichte, subjektbezogene Anpassungen auf die Leistung bei unbekannten Zielpersonen auswirken.

Brain‑Computer‑Interfaces (BCIs) nutzen Elektroenzephalographie (EEG), um Gehirnaktivitäten direkt in Steuerbefehle umzuwandeln. Besonders bei Motor‑Imagery‑Aufgaben – also der Vorstellung von Bewegungen – liefert EEG wertvolle Hinweise auf die zugrunde liegenden kognitiven Prozesse.

Brain‑Computer‑Interfaces (BCIs) leiden häufig unter Genauigkeitsverlusten, wenn sich die neuronalen Signale im Laufe der Zeit verändern oder von Nutzer zu Nutzer unterschiedlich sind. Diese Drift erfordert regelmäßige Neukalibrierungen, die die praktische Einsatzfähigkeit von BCIs stark einschränken.