KI-gestützte EEG-Analyse für medizinische Assistenzsysteme und mentale Gesundheitsvorsorge
In mehreren Forschungsprojekten haben wir untersucht, wie moderne KI-Methoden zur automatisierten Interpretation von EEG-Daten beitragen können – insbesondere in Bereichen, in denen klassische diagnostische Verfahren an ihre Grenzen stoßen. Unser Fokus lag dabei auf der Früherkennung psychischer Erkrankungen sowie der Unterstützung kommunikationsloser Patient:innen durch Brain-Computer-Interfaces.
In einer Studie entwickelten wir ein neuartiges Convolutional Neural Network zur Erkennung milder Depressionen anhand von EEG-Daten im Ruhezustand. Ziel war es, ein praxisnahes System zu entwerfen, das mit minimalem Vorverarbeitungsaufwand zuverlässig frühe depressive Zustände detektieren kann – ein wichtiger Beitrag zur Prävention schwerer Verläufe. In einem weiteren Projekt erforschten wir den Einsatz Generativer Adversarialer Netzwerke (GANs), um synthetische EEG-Daten für sogenannte Locked-In-Patient:innen zu erzeugen. Damit konnten wir das Problem kleiner Datensätze in diesem hochsensiblen Forschungsbereich überwinden und die Genauigkeit von Ja/Nein-Entscheidungen mittels Brain-Computer-Interfaces signifikant verbessern. Ergänzend entwickelten wir ein neuronales Netz zur Erkennung von Persönlichkeitsmerkmalen für verbessertes Marketing in elektronischen Märkten.
[1] Penava, P., & Buettner, R. (2023). A novel small-data based approach for decoding yes/no-decisions of locked-in patients using generative adversarial networks. IEEE Access, 11, 118849-118864.
[2] Penava, P., & Buettner, R. (2024). Early-Stage non-severe Depression Detection using a novel Convolutional Neural Network Approach based on resting-state EEG data. IEEE Access.
[3] Penava, P., & Buettner, R. (2025). A novel subject-independent deep learning approach for user behavior prediction in electronic markets based on electroencephalographic data. Electronic Markets, 35(1), 1-20.