Algorithmus sagt Bewegungspräzision voraus
Freiburger Neurologen belegten, dass als Leistungsvariabilität bezeichnete Schwankungen bei der Ausführung von Bewegungsaufgaben auf Unterschiede in der Gehirnaktivität zurückzuführen sind.
Eine interdisziplinäre Nachwuchsforschungsgruppe des Exzellenzclusters BrainLinks-BrainTools der Albert-Ludwigs-Universität Freiburg, der 2012 im Rahmen der deutschen Exzellenzinitative gegründet wurde, entwickelte einen selbstlernenden Algorithmus, mit dem kurz vor der Ausführung einer motorischen Aufgabe deren Präzision vorhergesagt werden kann. Die beteiligten Forscher gehen davon aus, dass sich die Methode zur Optimierung sportwissenschaftlicher Trainingsmethoden und der Rehabilitation von Patienten nach einem Schlaganfall eignet.
Verfahren ermöglicht Prognose, ob Bewegung präzise ausgeführt wird
Seit Jahrzehnten ist bekannt, dass sich mithilfe der Elektroenzephalografie (EEG) Aktivitätsmuster eruieren lassen, die einer motorischen Handlung vorausgehen. Im Zuge der im Fachmagazin Frontiers in Neuroscience publizierten Studie werteten der Informatiker Michael Tangermann und seine Kollegen die EEG-Signale von 20 gesunden Probanden mit einem Durchschnittsalter von 53 Jahren aus. Die Versuchspersonen mussten für die Studie durch wiederholtes Drücken eines Kraftsensors einem vorgegebenen Pfad auf dem Computerbildschirm folgen. Die Gehirnaktivität wurde vor und während der Übungen aufgezeichnet.
Ein Algorithmus lernte, innerhalb der komplexen Gehirnsignale wichtige Merkmale zu erkennen, mit denen sich vorhersagen lässt, wie gut Probanden eine motorische Übung bewältigen werden. Nun möchten die Wissenschaftler beleuchten, inwieweit sich derartige Prädiktionsmodelle praktisch nutzen lassen.
Für die motorische Rehabilitation von Schlaganfallpatienten könnte es hilfreich sein, den Start einer Bewegungsaufgabe kurzzeitig zu verzögern, bis ein geeigneter Hirnzustand vorliegt.
Andreas Meinel, Sebastián Castaño-Candamil, Janine Reis, Michael Tangermann
Pre-Trial EEG-Based Single-Trial Motor Performance Prediction to Enhance Neuroergonomics for a Hand Force Task
Frontiers in Neuroscience, DOI: 10.3389/fnhum.2016.00170