Siehe TUMonline

Nach der Teilnahme an der Veranstaltung „Neural Engineering: Implantate, Schnittstellen und Algorithmen“ sind Studierende in der Lage, grundlegende Konzepte des “Neural Engineering“ zu verstehen sowie die Anwendbarkeit einzelner Algorithmen im Bereich „Neuro-Prosthetik“ oder autonomer technischer Systeme zu bewerten.

Anmerkung: "Neural Engineering: Implantate, Schnittstellen und Algorithmen" ist die erweiterte und überarbeitete frühere "Neuromorphic Engineering für Kognitive Systeme". “Neural Engineering” ist eine interdisziplinäre Forschungsrichtung, die Grundlagen aus der Biologie, Physik, Mathematik, Informatik, Psychologie und aus dem Ingenieursbereich zusammenführt, um künstliche „Neuronale Systeme“ zu entwickeln (beispielsweise aktive Körperprothesen oder autonome Roboter), deren Aufbau und Funktionsweise auf den Prinzipien von biologischen Nervensystemen beruht. Durch diese Vorlesung werden die Studierenden an die Grundlagen des „Neural Engineering“ herangeführt, wie beispielsweise Ableitungen von Neuronen, Brain-Computer-Interfaces, Interpretation von neuronalen Signalen, Aufbau und Funktionsweise von biologischen und künstlichen neuronalen Netzwerken, verteilte Systementwicklung sowie Berechnungen, ereignisbasierte Sensoren und Steuerung oder analoge low-power VLSI Chip Entwurfstechniken für neuronal inspirierte Sensoren und Prozessoren. Anwendungsbereiche: Entwurf von (a) Algorithmen zur Sensordatenverarbeitung und Motorsteuerung im Anwendungsgebiet der Neuroprothetik sowie (b) autonomen kognitiven Systemen, die in Echtzeit in natürlichen Umgebungen interagieren.

Empfohlene Vorlesung: Computational Intelligence (oder ähnlich, wie beispielsweise Lünstliche Intelligenz, Maschinelles Lernen. Grundlegende Programmierkenntnisse einer Hochsprache wie C, Java oder einer Umgebung wie MatLab. Keine verpflichtenden Voraussetzungen. Basic programming knowledge in a language such as C, Java or an environment such as MatLab. No mandatory prerequisites.

Schriftliche Prüfung; bei geringer Studierendenzahl mündliche Einzelprüfung

Michael Arbib, The Handbook of Brain Theory and Neural Networks, MIT press