Das Hauptziel dieses Projekts ist es, ein intelligentes Sensorsystem für auditive Signale zu bauen, das eine Vorverarbeitung von Informationen direkt auf der Sensorebene bietet, sich an die tatsächliche Hörumgebung für eine optimale Erkennung anpassen kann und lernen kann, sich an unbekannte Situationen anzupassen. Auf diese Weise werden Frequenzauflösung, Dynamikbereich und insbesondere das Signal-Rausch-Verhältnis verbessert und die Wahrnehmung kann auf spezielle Signale abgestimmt werden, die durch Aufmerksamkeitsfokus ausgewählt werden. Die Entwicklungen werden von den Fähigkeiten der biologischen Colchlea inspiriert, wo die Adaption durch Prozesse wie aktive Bewegungen der Haarzellen, Kopplung zwischen Haarzellen, Flüssigkeit und Membranumgebung und diverse kaskadierte Rückmeldungen von höheren auditorischen Verarbeitungssystemen angetrieben wird. Die Adaption der Sensoren selbst statt der Verarbeitungsstufe bietet mehrere Vorteile gegenüber konventionellen Mikrofonen mit nachgeschalteten Signalverarbeitungseinheiten: Sie reduziert die Signalverzerrung, die durch Verarbeitungs- und Filterungsschritte entstehen kann, sie verbessert die Erkennbarkeit leiser Geräusche in geräuschvoller Umgebung (wie beim Cocktailparty-Effekt) durch die integrierte selektive Verstärkung (höherer Signal-Rausch-Abstand) und sie bietet eine höhere Effizienz hinsichtlich Energieverbrauch und Rechenaufwand. Das System besteht aus einem mechanischen neuronalen Netzwerk (MNN) auf Basis von MEMS-Cantilevern, das die Sensorinformationen an einen geeigneten Controller weiterleitet. Die unerwünschte nichtlineare Dynamik des MNN, die sich aus der internen Kopplung und den nichtlinearen Rückkopplungsmechanismen ergibt, wird durch den Controller abgestimmt, um eine dynamische Manipulation zu erreichen, die mit der efferenten Rückkopplung zur Anpassung der Sensoreigenschaften in der Cochlea vergleichbar ist.
