Zusammenfassung
Adaptive Assistenzsysteme können den Nutzer in den unterschiedlichsten Situationen unterstützen. Diese Systeme greifen auf externe Informationen zu und versuchen, die Nutzerintention aus dem Nutzungskontext zu erschließen – ohne dem Nutzer ein direktes Feedback abzuverlangen bzw. zu ermöglichen. Dadurch bleibt unklar, ob das Systemverhalten im Sinne des Nutzers war – was zu Problemen in der Interaktion zwischen Mensch und adaptiver Technik führt. Das Ziel im Projekt EMOIO ist es, mögliche Nutzungsbarrieren mithilfe neurowissenschaftlicher Methoden zu überwinden. Durch die Fusionierung der Arbeitswissenschaft mit den Neurowissenschaften zum neuen Forschungsfeld Neuroarbeitswissenschaft ergibt sich ein großes Innovationspotenzial, um die Symbiose zwischen Mensch und Technik intuitiver zu gestalten. Eine neue Generation von Mensch-Technik-Schnittstellen bietet hierzu das Brain-Computer- Interface (BCI). Mittels BCIs können mentale Zustände, beispielsweise Aufmerksamkeit und Affekte beim Menschen, erfasst und diese Informationen direkt an ein technisches System übermittelt werden. In sogenannten neuroadaptiven Systemen werden diese Informationen als Grundlage genutzt, um die Inhalte und Funktionen oder die Benutzungsschnittstelle eines Systems während der Interaktion entsprechend anzupassen. In einem Konsortium mit Partnern aus Forschung und Industrie wird im Projekt EMOIO ein neuroadaptives System entwickelt. Dieses soll anhand der Gehirnaktivität des Nutzers erkennen, ob er systeminitiierten Verhaltensweisen zustimmt oder diese ablehnt. Das System kann die Informationen nutzen, um den Menschen eine optimale Unterstützung zu geben und sich somit den individuellen und situativen Bedürfnissen des Nutzers anzupassen. Dazu werden neurowissenschaftliche Methoden – etwa die Elektroenzephalographie (EEG) oder die funktionale Nahinfrarotspektroskopie (fNIRS) – bezüglich ihrer Einsatzpotenziale zur Emotionsmessung (Zustimmung/Ablehnung) evaluiert. Weiterhin wird ein entsprechender Algorithmus zur Echtzeit-Emotionserkennung entwickelt. Die Miniaturisierung und Robustheit der EEG- und fNIRS-Sensorik werden ebenfalls vorangetrieben. Schließlich wird das entwickelte System in drei verschiedenen Anwendungsfeldern erprobt: webbasierte adaptive Benutzungsschnittstellen, Fahrzeuginteraktion und Mensch-Roboter-Interaktion.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Quellen und Literatur
R. Parasuraman and M. Rizzo, Eds., Neuroergonomics: the brain at work. New York: Oxford University Press, 2008.
M. Hassenzahl, „User experience (UX): towards an experiential perspective on product quality,“ 2008, p. 11.
K. Pollmann, M. Vukelić, N. Birbaumer, M. Peissner, W. Bauer, and S. Kim, „fNIRS as a Method to Capture the Emotional User Experience: A Feasibility Study,“ in Human-Computer Interaction. Novel User Experiences, vol. 9733, M. Kurosu, Ed. Cham: Springer International Publishing, 2016, pp. 37–47.
S. K. Kane, J. O. Wobbrock, and I. E. Smith, „Getting off the treadmill: evaluating walking user interfaces for mobile devices in public spaces,“ 2008, p. 109.
G. Lehmann, M. Blumendorf, and S. Albayrak, „Development of context-adaptive applications on the basis of runtime user interface models,“ 2010, p. 309.
J. Nichols and B. A. Myers, „Creating a lightweight user interface description language: An overview and analysis of the personal universal controller project,“ ACM Trans. Comput.-Hum. Interact., vol. 16, no. 4, pp. 1–37, Nov. 2009.
N. Birbaumer et al., „A spelling device for the paralysed,“ Nature, vol. 398, no. 6725, pp. 297–298, Mar. 1999.
A. Ramos-Murguialday et al., „Brain-machine interface in chronic stroke rehabilitation: A controlled study: BMI in Chronic Stroke,“ Ann. Neurol., vol. 74, no. 1, pp. 100–108, Jul. 2013.
A. Kübler et al., „Patients with ALS can use sensorimotor rhythms to operate a braincomputer interface,“ Neurology, vol. 64, no. 10, pp. 1775–1777, May 2005.
J. I. Münßinger et al., „Brain Painting: First Evaluation of a New Brain–Computer Interface Application with ALS-Patients and Healthy Volunteers,“ Front. Neurosci., vol. 4, 2010.
M. Bensch et al., „Nessi: An EEG-Controlled Web Browser for Severely Paralyzed Patients,“ Comput. Intell. Neurosci., vol. 2007, pp. 1–5, 2007.
N. Birbaumer, S. Ruiz, and R. Sitaram, „Learned regulation of brain metabolism,“ Trends Cogn. Sci., vol. 17, no. 6, pp. 295–302, Jun. 2013.
S. Ruiz et al., „Acquired self-control of insula cortex modulates emotion recognition and brain network connectivity in schizophrenia,“ Hum. Brain Mapp., vol. 34, no. 1, pp. 200–212, Jan. 2013.
S. W. Choi, S. E. Chi, S. Y. Chung, J. W. Kim, C. Y. Ahn, and H. T. Kim, „Is alpha wave neurofeedback effective with randomized clinical trials in depression? A pilot study,“ Neuropsychobiology, vol. 63, no. 1, pp. 43–51, 2011.
T. O. Zander and C. Kothe, „Towards passive brain-computer interfaces: applying braincomputer interface technology to human-machine systems in general,“ J. Neural Eng., vol. 8, no. 2, p. 025005, Apr. 2011.
C. Dijksterhuis, D. de Waard, K. A. Brookhuis, B. L. J. M. Mulder, and R. de Jong, „Classifying visuomotor workload in a driving simulator using subject specific spatial brain patterns,“ Front. Neurosci., vol. 7, 2013.
C. Berka et al., „EEG correlates of task engagement and mental workload in vigilance, learning, and memory tasks,“ Aviat. Space Environ. Med., vol. 78, no. 5 Suppl, pp. B231-244, May 2007.
S. Haufe et al., „Electrophysiology-based detection of emergency braking intention in real-world driving,“ J. Neural Eng., vol. 11, no. 5, p. 056011, Oct. 2014.
T. O. Zander, L. R. Krol, N. P. Birbaumer, and K. Gramann, „Neuroadaptive technology enables implicit cursor control based on medial prefrontal cortex activity,“ Proc. Natl. Acad. Sci., p. 201605155, Dec. 2016.
R. W. Picard, E. Vyzas, and J. Healey, „Toward machine emotional intelligence: analysis of affective physiological state,“ IEEE Trans. Pattern Anal. Mach. Intell., vol. 23, no. 10, pp. 1175–1191, Oct. 2001.
H. Förstl, Ed., Theory of mind: Neurobiologie und Psychologie sozialen Verhaltens, 2., Überarb. und aktualisierte Aufl. Berlin: Springer, 2012.
T. O. Zander, J. Brönstrup, R. Lorenz, and L. R. Krol, „Towards BCI-Based Implicit Control in Human–Computer Interaction,“ in Advances in Physiological Computing, S. H. Fairclough and K. Gilleade, Eds. London: Springer London, 2014, pp. 67–90.
K. Pollmann, D. Ziegler, M. Peissner, and M. Vukelić, „A New Experimental Paradigm for Affective Research in Neuro-adaptive Technologies,“ 2017, pp. 1–8.
K. Pollmann, M. Vukelic, and M. Peissner, „Towards affect detection during humantechnology interaction: An empirical study using a combined EEG and fNIRS approach,“ 2015, pp. 726–732.
M. Mather and L. L. Carstensen, „Aging and motivated cognition: the positivity effect in attention and memory,“ Trends Cogn. Sci., vol. 9, no. 10, pp. 496–502, Oct. 2005.
M. Vukelić, K. Pollmann, M. Peissner, „Towards brain-based interaction between humans and technology: does age matter?,“ 1st International Neuroergonomics Conference, Oct. 2016.
C. Brunner et al., „BNCI Horizon 2020: towards a roadmap for the BCI community,“ Brain-Comput. Interfaces, vol. 2, no. 1, pp. 1–10, Jan. 2015.
A. Sonnleitner, et al., „EEG alpha spindles and prolonged brake reaction times during auditory distraction in an on-road driving study“. Accid. Anal. Prev. 62, 110–118, 2014
S. Debener, R. Emkes, M. De Vos, and M. Bleichner, „Unobtrusive ambulatory EEG using a smartphone and flexible printed electrodes around the ear,“ Sci. Rep., vol. 5, no. 1, Dec. 2015
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2018 Springer-Verlag GmbH Deutschland
About this chapter
Cite this chapter
Bauer, W., Vukelić, M. (2018). Forschungsprojekt EMOIO. In: Neugebauer, R. (eds) Digitalisierung. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-55890-4_9
Download citation
DOI: https://doi.org/10.1007/978-3-662-55890-4_9
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-55889-8
Online ISBN: 978-3-662-55890-4
eBook Packages: Computer Science and Engineering (German Language)