Die Neurowissenschaftlerin Katharina Lingelbach untersucht, wie Nutzerzust\u00e4nde identifiziert und f\u00fcr die Verbesserung der Mensch-Technik Interaktion (HMI) genutzt werden k\u00f6nnen. Was sie an diesem Forschungsgebiet so spannend findet und welche Potenziale sie in feinf\u00fchliger Technik sieht, verr\u00e4t sie im Interview.<\/p>\n\n\n\n
Du bist wissenschaftliche Mitarbeiterin in der Gruppe \u00bbAngewandte Neurokognitive Systeme\u00ab am Fraunhofer IAO. Worin liegt dein Forschungsschwerpunkt?<\/strong> Was begeistert dich an diesem Thema?<\/strong> Was versteht ihr unter Human-Machine-Interface?<\/strong> Welche Potenziale siehst du in eurer Forschung?<\/strong> Wenn wir in einer Stresssituation sind, reagiert unser Gehirn anders auf Impulse von au\u00dfen. Diesen Zustand richtig zu erkennen, erm\u00f6glicht uns, Systeme zu schaffen, die uns in diesen Zust\u00e4nden unterst\u00fctzen und positive Erlebnisse in der Interaktion mit Technologie f\u00f6rdern.<\/p>M.Sc. Katharina Lingelbach<\/cite><\/blockquote>\n\n\n\n Wie sieht ein typischer Arbeitstag bei dir aus?<\/strong> <\/p>\n<\/div>\n<\/div>\n\n\n\n \n \n \n Keine Ergebnisse gefunden<\/span>
Ich promoviere in Kooperation mit der Universit\u00e4t Oldenburg. Mein Forschungsschwerpunkt umfasst die Frage, wie sich emotionale und kognitive Prozesse beeinflussen. Normalerweise gibt es in der Forschung eine Spezialisierung auf einen der beiden Prozesse, die sich in unserer nat\u00fcrlichen Umgebung aber nicht trennen lassen. Darum m\u00fcssen wir auch interagierende Prozesse betrachten und uns der Komplexit\u00e4t von Interaktionen stellen. Ich untersuche, wie wir Nutzerzust\u00e4nde messen, erkennen und aus Daten und Signalen vorhersagen k\u00f6nnen. Zu diesen Signalen geh\u00f6rt die Gehirnaktivit\u00e4t, physiologische Signale wie Herzaktivit\u00e4ten mittels EKG oder die Hautleitf\u00e4higkeit aber auch Blickbewegungen mittels Eyetracking. Sie liefern Informationen, wie sich eine Person bei der Interaktion mit Technologie f\u00fchlt. Aus diesen Signalen erkenne ich eine \u00dcber- oder Unterbelastung, eine positive oder negative Stimmung und die Interaktion dieser Zust\u00e4nde. Wir kombinieren mehrere Signale und Informationsquellen und versuchen relevante Aspekte wie Aktivierungsmuster zu erkennen, die uns Informationen zum Zustand liefern. Dann extrahieren wir diese Informationen und lassen ein Machine-Learning-Programm lernen, Nutzerzust\u00e4nde einzusch\u00e4tzen.<\/p>\n\n\n\n
Besonders begeistert mich, dass wir die untersuchten Situationen selbst kennen. Wenn wir in einer Stresssituation sind, reagiert unser Gehirn anders auf Impulse von au\u00dfen. Diesen Zustand richtig zu erkennen, erm\u00f6glicht uns, Systeme zu schaffen, die uns in diesen Zust\u00e4nden unterst\u00fctzen und positive Erlebnisse in der Interaktion mit Technologie f\u00f6rdern \u2013 im Arbeitsalltag wie auch im normalen Alltag. Der Mensch steht im Mittelpunkt meiner Forschung. Ich betrachte, wie es uns als Mensch in einer zunehmend technologisierten Welt geht. Meine Vision ist es, feinf\u00fchlige Technik zu entwickeln, die sich individuell auf uns einstimmt und uns nach unseren Bed\u00fcrfnissen unterst\u00fctzt. Ich erforsche den ersten Schritt dieser Entwicklung – die Erkennung von Nutzerzust\u00e4nden. Diese Erkenntnisse k\u00f6nnen durch die Zusammenarbeit mit Interaktions-Designer*innen, Maschinenbauer*innen und Ingenieur*innen f\u00fcr die Weiterentwicklung der Technologie genutzt werden.<\/p>\n\n\n\n
Ein Human-Machine-Interface (HMI) ist die Schnittstelle \u2013 das Kommunikationsmedium in einer Mensch-Technik-Interaktion. In der Mensch-Technik-Interaktion k\u00f6nnen einzelne Use Cases spezifiziert werden. Es kann sich zum Beispiel um eine Mensch-Roboter-Interaktion oder eine Mensch-Fahrzeug-Interaktion handeln. In der Neurowissenschaft arbeiten wir mit sogenannten Brain-Computer Interfaces. Diese Schnittstelle verwendet Sensorsignale, um Technik wie einem Roboter unsere Intentionen zu kommunizieren und Feedback zu geben. Wir brauchen diese Schnittstelle als gemeinsame Kommunikationsbasis. Nicht nur der Mensch kann sich in der Interaktion an die Technik anpassen, sondern auch die Technik an den Menschen. Doch auch mit feinf\u00fchliger Technik wird es immer eine wechselseitige Anpassung geben, weil wir uns automatisch und auch unbewusst an Technik anpassen. Die Arbeit mit Technik ver\u00e4ndert unsere Wahrnehmung und unser Arbeiten.<\/p>\n\n\n\n
Brain-Computer Interfaces bieten besonders in sicherheitskritischen Systemen gro\u00dfe Potenziale. Dort ist der Mensch als letzte Instanz noch immer unabdingbar, wenngleich er auf l\u00e4ngere Zeit nicht konstantes Leistungsniveau halten kann und potentiell Fehler macht. Die Technik erkennt einen Aufmerksamkeits- und Leistungsabfall und kann dieses Feedback an die Nutzer*innen zur\u00fcckspielen. HMI bietet zudem enorme Potenziale f\u00fcr das autonome Fahren. Wie kann der Fahrende auf einer Stra\u00dfe mit autonomen, semiautonomen und menschengesteuerten Fahrzeugen bestm\u00f6glich unterst\u00fctzt werden? Es geht in unserer Forschung nicht darum, den Menschen zu ersetzen oder zu kontrollieren, sondern ihn zu unterst\u00fctzen. Auch bei der Produktevaluation kann die Nutzerzustandserkennung w\u00e4hrend der Interaktion mit Technologie genutzt werden. Ein Beispiel ist die Evaluation der Benutzerfreundlichkeit von Apps.<\/p>\n<\/div>\n\n\n\n\n![\"\"](\"https:\/\/s-tec.de\/wp-content\/uploads\/2022\/06\/Katharina-Lingelbach-1-e1659080036697.jpg\")
Welche Projekte f\u00fchrst du am KI-Fortschrittszentrum \u00bbLernende Systeme und Kognitive Robotik\u00ab durch?<\/strong>
Ich kooperiere mit Unternehmen in Quick Checks und Exploring Projects, um realisierbare L\u00f6sungsans\u00e4tze zu erarbeiten. Ich finde heraus, welche Problemstellungen dort vorhanden sind und wie Machine-Learning und Datenanalysen bei der L\u00f6sung helfen k\u00f6nnen. Dann konzipieren wir gemeinsam KI-L\u00f6sungen und setzen sie um. Meistens kommen die Unternehmen bereits mit einer Projektidee auf uns zu. Ein Unternehmen wollte beispielsweise mittels einer Elektroenzephalographie (EEG) die Motivation von Personen bei der L\u00f6sung einer Aufgabe analysieren und die Gehirnaktivit\u00e4t identifizieren. Meine Aufgabe besteht darin, den Use Case aufzubauen: Aus einem Trainingsdatensatz Signale, die Aufschluss \u00fcber die Motivation von Personen geben, extrahieren und darauf basierend einen Algorithmus trainieren. Im n\u00e4chsten Schritt soll der Algorithmus den Nutzerzustand auch bei neuen Daten erkennen k\u00f6nnen. Dieses Projekt startete als Quick Check. Wir haben die Daten betrachtet und ihre Qualit\u00e4t eingesch\u00e4tzt, um sie weiter aufzubereiten und zu standardisieren. Jetzt entwickeln wir den Algorithmus f\u00fcr eine gute Performance weiter. Im Bereich der Technologieentwicklung untersuchen wir, ob wir Zust\u00e4nde in Echtzeit erkennen k\u00f6nnen und welche Algorithmen sich daf\u00fcr am besten eignen. Wir wollen eine Technologie vorantreiben, die folglich robuste und valide Vorhersagen treffen kann, sodass sie sp\u00e4ter eingesetzt werden kann.<\/p>\n\n\n\n
Aktuell bin ich viel im Labor mit der Datenerhebung besch\u00e4ftigt. Dazu lade ich manchmal Proband*innen zu Experimenten ein oder setze Use Cases in Form von Experimenten um. Ein gro\u00dfer Teil meiner Arbeit besteht in der Analyse von Datens\u00e4tzen. Ich versuche neue Methoden zu evaluieren, die von anderen Forschenden entwickelt wurden, aber entwickele auch eigene Ideen weiter und versuche Signalverarbeitungsmethoden zu verbessern, um zum Beispiel aus einem Rohsignal noch bessere Signale extrahieren zu k\u00f6nnen. Die richtige Methode ist dabei immer abh\u00e4ngig von der Fragestellung. Wir wollen neue Technologien entwickeln und diese ausprobieren, um im besten Fall eine funktionierende Architektur zur Anwendung zu bringen. Au\u00dferdem ver\u00f6ffentliche ich meine Erkenntnisse in Form von Artikeln f\u00fcr die Forschungsgemeinschaft bei Journals oder Konferenzen. Gleichzeitig bereite ich meine Erkenntnisse auch f\u00fcr die breite Masse verst\u00e4ndlich und interessant auf \u2013 ob mit einem Digital-Dialog mit m\u00f6glichen Kunden, Lab-Videos oder Interviews.<\/p>\n<\/div>\n<\/div>\n\n\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n\n\n\nWeitere Artikel<\/h2>\n<\/div>\n\n\n\n
\n\n\n \n \n
\n Versuchen Sie die Filterung anzupassen\n <\/p>\n <\/div>\n<\/article>\n\n