Schlaganfälle gehören weltweit zu den häufigsten Ursachen langfristiger Behinderungen. Viele Betroffene leiden auch nach der Akutbehandlung unter Einschränkungen der motorischen Fähigkeiten. Daher besteht ein großer Bedarf an neuartigen Rehabilitationsansätzen.

Gehirn-Computer-Schnittstellen (BCIs) eröffnen hierfür neue Möglichkeiten. Mithilfe der Elektroenzephalografie (EEG) wird dabei die elektrische Aktivität des Gehirns nichtinvasiv und mit hoher zeitlicher Auflösung über Elektroden auf der Kopfhaut erfasst. Stellt sich eine Person eine Bewegung vor, treten charakteristische Veränderungen im EEG auf. Werden diese zuverlässig erkannt, können sie als Steuersignal für ein Rehabilitationssystem verwendet werden.

Während BCIs bereits intensiv für die Rehabilitation von Armen und Händen untersucht wurden, ist ihr Einsatz für die unteren Extremitäten bisher weniger erforscht, da die EEG-Aktivität vorgestellter Beinbewegungen schwieriger zu klassifizieren ist. Im Projekt werden daher neuartige KI-basierte Klassifikationsalgorithmen auf Basis von Transformern entwickelt, die solche Bewegungsvorstellungen anhand von EEG-Quellen und deren funktioneller Konnektivität zuverlässiger erkennen sollen. Durch die Kopplung dieser Algorithmen mit einem Rehabilitationsroboter soll ein Closed-Loop-System entstehen, das Bewegungsvorstellungen erkennt, entsprechende Beinbewegungen auslöst und sensorisches Feedback bereitstellt. Dieser innovative Ansatz könnte die Wiedererlangung motorischer Fähigkeiten nach einem Schlaganfall unterstützen und neue Perspektiven für die Neurorehabilitation eröffnen.