In diesem Projekt soll die Landeposition eines Sandsacks mithilfe von KI vorhergesagt werden. Dazu wird ein Datensatz augezeichnet, bei dem die ElaasticNode am Unteram befestigt. Diese misst mit einem Sensor die Beschleunigung. Über eine Kamera wird die Landeposition ausgewertet. Daraus lässt sich ein Datensatz bauen. Auf diesem Datensatz soll anschließend ein neuronales Netz trainiert werden. Dieses neuronale Netz soll dann mithilfe des ElasticAi.Creators auf die ElasticNode übertragen und evaluiert werden.

Daraus ergeben sich folgende Punkte, an denen gearbeitet werden kann:

• Vorbereitung und Durchführung der Datensatzaufzeichnung
• Finden des besten Modells für die Landepositionsvorhersage
• Entwurf eines Extensionboards für die ElasticNode mit einem anderen Sensor
• Lokales Training auf der ElasticNode, um sich an den jeweiligen Benutzer anzupassen

Organisation:

Die Teilnahme am Kickoff-Meeting ist für die Teilnahme an diesem Projekt verpflichtend.

Dieses Projekt ist eine Fortsetzung des Projekts "Exoskeletons" aus den vergangenen Semestern. Die Ausrichtung wird in diesem Semester verschoben von der Kontrolle eines Exoskeleton zu einem Gaming Controller.

Ab diesem Semester sollen die Studenten eine EEG-Verarbeitungspipline aufbauen, um beispielsweise im Spiel einen Roboter durch das Labyrinth zu navigieren (hoch, runter, links und rechts). Das Ziel dieses Semesters ist, eine erste Pipeline zu realisieren, die folgende Punkte beinhaltet:

• Einrichtung der Umgebung inkl. Spiel für die automatisierte Datensatz-Generierung mit dem EEG-Setup von MentaLab und einem Contoller
• Optimierung von Vorverarbeitungs-Methoden
• Erstes Training von Tiefen Neuronalen Netzen

In den nächsten Semestern soll das Modell auf unsere ElasticAI.hardware transferiert werden, die als Gaming-Controller fungiert. Hierbei müssen voraussichtlich die Datensätze automatisch angepasst werden, um eine höhere Genauigkeit zu erzielen. Dabei muss die Hardware als Gaming Controller am Betriebsystem und die Firmware des Geräts angepasst werden.

Organisation:

Die Teilnahme am Kickoff-Meeting ist für die Teilnahme an diesem Projekt verpflichtend.

Im Rahmen des Praxisprojekts sollen die Studenten die Methoden zur Neurosignalverarbeitung von extrazellulären Aktionspotenzialen, die mittels Mikroelektroden-Arrays aufgezeichnet werden, optimieren.

Dafür besteht bereits ein Python-Framework, das mit zusätzlichen Funktionen für KI-basierte Methoden, Zusatzfunktionen zur synthetischen Datengenerierung und zur neuronalen Datenanalyse (inkl. Darstellung) erweitert werden soll. Hierzu sollen die Klassifikatons-Aufgaben mittels Deep-Learning-Techniken und mit neuromorphen Netzen via Spiking Neural Networks validiert werden. Zusätzlich besteht die Möglichkeit, den internen Hardware-Aufbau zum Abspielen von Neurosignalen von digitaler Quelle zum analogen Signal weiter zu optimieren.

Mögliche Inhalte:

• Datensatz-Erstellung mit MEArec
• Datenanalyse mit MEAnalyzer
• Aufbereiten von Datensätzen für Autoencoder-Training (Dense NN, CNN, Denoising, …)
• Verwendung des ElasticAI.Creators zur Generierung Neuronaler Netze
• Verwendung von neuromorphen Netzen
• Aufbereiten des Neurosignal-Players (C-Code zum Abspielen der Signale)

Organisation:

Die Teilnahme am Kickoff-Meeting ist für die Teilnahme an diesem Projekt verpflichtend.