Prof. Dr. Markus Goldhacker

Künstliche Intelligenz in den Bereichen Brain Computer Interfaces und Predictive Maintenance

Brain Computer Interfaces (BCIs) stellen Schnittstellen zwischen Neuroimaging und Technik dar. Die Aufzeichnung von Gehirnaktivität – z.B. mittels Elektroenzephalographie (EEG) – liefert große Datenmengen, aus denen Muster mittels Künstlicher Intelligenz gelernt werden können. In Echtzeitanalysen der Aktivität des Gehirns können anhand der gelernten Muster technische Aktoren in der Umwelt gesteuert werden. In einer Kooperation mit Prof. Dr. Gregor Volberg (Mitglied des Lehrstuhls von Prof. Dr. Angelika Lingnau für kognitive Neurowissenschaften, Fakultät Psychologie, Universität Regensburg) werden die technische Umsetzung von und fortschrittliche Analysemethoden für BCIs exploriert.

Interessensgebiete hierbei sind:

• Nutzen von Zustandsübergängen in Konnektivitätsdynamiken als Trigger für BCIs
• Dynamische funktionelle Konnektivität, Resting-State fMRT/EEG, Konnektivitätszustände und Brain Graphs
• Low-Budget Umsetzung von BCIs
• Funktionelle Konnektivität als Biomarker

Im Forschungsbereich der Predictive Maintenance wird untersucht, wie Modelle des maschinellen Lernens Wartungsaufgaben optimieren können. Im Speziellen soll dies durch Vorhersagen des Abnutzungsvorrats von Maschinen, der Zeit bis zu einem Maschinenausfall, mittels Schadensklassifikation und Anomaliedetektion erreicht werden.

Interessensgebiete hierbei sind:

• Predictive Maintenance in der Hochschullehre
• Cloud-Edge im Bereich der vorausschauenden Wartung
• Schaffung von Demonstratoren für Predictive Maintenance Use Cases
• Transfer von KI-Modellen aus dem Labor-Setting in reale industrielle Umgebungen