Sebastian Nagel

Eberhard-Karls-UniversitĂ€t TĂŒbingen
Wilhelm-Schickard Institut fĂŒr Informatik
Lehrstuhl Technische Informatik
Sand 14, C203
72076 TĂŒbingen

Telefon: +49 (7071) 29-70490

E-Mail: nagels

Kontakt-Formular

Forschungsinteressen

  • Brain-Computer Interface (BCI)
  • Analysis of EEG data
  • Machine Learning
  • Neural Networks

Lehre

Wintersemester 2018/19

Sommersemester 2018

Wintersemester 2017/18

Sommersemester 2017

Wintersemester 2016/17

Sommersemester 2016

Wintersemester 2015/16


Publikationen

 Alle Publikationen im BibTex-Format

    2019

      September 2019
      • S. Nagel, M. SpĂŒler
          World’s fastest brain-computer interface: Combining EEG2Code with deep learning
        PLOS ONE, 14 (9), p.e0221909
      Juni 2019
      • S. Nagel, M. SpĂŒler
          Asynchronous non-invasive high-speed BCI speller with robust non-control state detection
        Scientific Reports, 9 (1), p.8269

      2018

        Oktober 2018
        • S. Nagel, M. SpĂŒler
            Modelling the brain response to arbitrary visual stimulation patterns for a flexible high-speed Brain-Computer Interface
          PLoS one, 13 (10), p.e0206107
        Mai 2018
        • S. Nagel, W. Rosenstiel, M. SpĂŒler
              Finding optimal stimulation patterns for BCIs based on visual evoked potentials
          Proceedings of the 7th International BCI Meeting 2018, p.164-165, Asilomar, CA
        Januar 2018
        • S. Nagel, W. Dreher, W. Rosenstiel, M. SpĂŒler
             The effect of monitor raster latency on VEPs, ERPs and Brain–Computer Interface performance
          Journal of Neuroscience Methods, 295, p.45-50

        2017

          September 2017
          • S. Nagel, W. Rosenstiel, M. SpĂŒler
                 Random Visual Evoked Pontentials (RVEP) for Brain-Computer Interface (BCI) Control
            Proceedings of the 7th Graz Brain-Computer Interface Conference 2017, p.349-354, Verlag der TU Graz

          2015

            Juli 2015
            • M. SpĂŒler, S. Nagel, W. Rosenstiel
                A Spiking Neuronal Model Learning a Motor Control Task by Reinforcement Learning and Structural Synaptic Plasticity
              Proceedings of the 2015 Internation Joint Conference on Neuronal Networks, p.1652-1659

            Offene Bachelor-/Masterarbeiten

            1. Adaptive Optimierung von Stimulationsmustern eines VEP-basierten Brain-Computer Interfaces

            Adaptive Optimierung von Stimulationsmustern eines VEP-basierten Brain-Computer Interfaces

            For the english version please click on the picture!

            Beschreibung
            Ein Brain-Computer Interface (BCI) ist eine Schnittstelle zwischen dem menschlichen Gehirn und einem Computer. BCIs ermöglichen z.B. körperlich gelĂ€hmten Patienten einen Computer ĂŒber reine GehirnaktivitĂ€t zu steuern. Das in TĂŒbingen entwickelte EEG2Code BCI ist das momentan schnellste nicht-invasive BCI System. (Quelle)
            In Abbildung 1 ist der schematische Ablauf der Methode skizziert. Jeder Buchstabe der virtuellen Tastatur flackert mit einem zufÀlligen Stimulationsmuster. Dieses Flackern erzeugt im Gehirn sogenannte visuell evozierte Potentiale (VEPs), welche mittels Elektroenzephalographie (EEG) aufgezeichnet werden können. Das EEG wird dann mithilfe eines zuvor trainierten Neuronalen Netzes klassifiziert, wobei der Output dem Stimulationsmuster des Buchstabens (mit einer gewissen Genauigkeit) entspricht, auf den der Nutzer geschaut hat.
            Das entwickelte BCI ermöglicht bereits eine schnelle und asynchrone Bedienung, allerdings hat sich in Tests gezeigt, das bestimme Stimulationsmuster zu einer besseren/schnelleren Klassifikation fĂŒhren.

            Zielsetzung
            Ziel dieser Arbeit soll es sein die verwendeten Stimulationsmuster adaptiv zu optimieren. Dies bedeutet, dass eine Methode entwickelt werden soll, welche die - zu Beginn zufÀlligen - Stimulationsmuster "bewertet", sodass sich ein Ranking ergibt. Die besser bewerteten Stimulationsmuster sollen dann hÀufiger verwendet werden als die schlechteren.
            Um dies zu evaluieren ist es nötig das System an sich selbst, sowie mit Probanden zu testen. DiesbezĂŒglich wird es eine EinfĂŒhrung geben wie man ein EEG prĂ€pariert.
            Zudem sollen die Stimulationsmuster anschließend analysiert werden, mit dem Ziel gewisse Eigenschaften ausfindig zu machen, welche zu einer besseren Klassifikation fĂŒhren.

            Anforderungen
            Interesse an Neurowissenschaften, gute Programmierkenntnisse und Erfahrung in MATLAB sind von Vorteil.