NACH OBEN


Prof. Dr. Christian Klaes

Abteilung Neurotechnologie
Medizinische Fakultät
Universitätsklinikum Knappschaftskrankenhaus Bochum
In der Schornau 23-25
44892 Bochum

Tel: +49 176-43697855
Email: christian.klaes@ruhr-uni-bochum.de


orcid.org/0000-0003-4767-9631
Prof. Dr. Christian Klaes
Prof. Dr. Christian Klaes
Forschungsschwerpunkte

Jeden Tag verwenden wir Gegenstände: Wir benutzen unser Smartphone, führen die Zahnbürste zum Zähneputzen und trinken aus einem Glas Wasser. Vielen Querschnittsgelähmten und Menschen mit anderen motorischen Störungen ist nichts davon möglich. Nach etwas Greifen, einen Gegenstand anheben oder manipulieren, sind elementare, körperliche Eigenschaften, die uns ein autonomes Leben ermöglichen.

In unserer Forschungsgruppe entwickeln wir fortschrittliche Neuroprothesen und andere Hilfsmittel, um Menschen mit schweren Lähmungen ein selbstständigeres Leben zu ermöglichen. Um dieses Ziel zu erreichen, nutzen wir einen hochgradig interdisziplinären Ansatz, bei dem die Neurowissenschaften, Neurochirurgie, maschinelles Lernen und virtuelle Realität (VR) ineinander greifen.

Ein Ansatz ist z.B. das Design eines sogenannten "brain-computer interface" (BCI). Bei einem BCI handelt es sich um ein System, das die direkte Kommunikation zwischen Gehirn und Computern ermöglicht und dabei unter anderem eine geschädigte Wirbelsäule überbrücken kann. Neuronale Signale werden dabei aus dem Gehirn "ausgelesen" und die Bewegungsintentionen des Patienten mit Hilfe einer speziellen Software dekodiert. Diese entschlüsselten Bewegungsintentionen werden dann benutzt, um Maschinen, Prothesen oder Exoskelette anzusteuern. Dies soll es gelähmten Patienten wieder ermöglichen, Selbstständigkeit zurückzugewinnen und damit die eigene Lebensqualität deutlich zu verbessern.

Um dieses Ziel zu erreichen, müssen wir allerdings besser verstehen, wie das Gehirn sensorischen Input und motorischen Output verarbeitet und dadurch Bewegungsintentionen erzeugt. Doch wie lernt das Gehirn ein BCI System zu steuern? Wie selektieren einzelne Neuronen beim Erlernen neuer Aufgaben? Und wie trifft das Gehirn die Entscheidung, ein bestimmtes Objekt aus einer Reihe von vielen möglichen auszuwählen?

Neurorehabilitation kann aber auch z.B. durch VR erreicht werden. Hierzu verwenden wir hochauflösende VR Brillen und Controller, um gesunde Menschen in Umgebungen zu versetzen, die gar nicht oder nur schwierig in der Realität umzusetzen wären. In einer kürzlich veröffentlichten Studie konnten wir zeigen, dass wir mit gesunden Probanden Probleme bei der Steuerung von Neuroprothesen in VR simulieren können, um besser zu verstehen, wo Schwierigkeiten bei der Steuerung entstehen können.

Viele unserer Fragestellungen sind sehr komplex und machen es nötig, maschinelles Lernen - oder allgemeiner KI Systeme - einzusetzen. Wir forschen intensiv an Anwendungen von KI im medizinischen und rehabilitativen Kontext. In der Zukunft werden hybride Systeme und die Auswertung großer Mengen medizinischer Daten an Bedeutung gewinnen. Hier wollen wir einen wichtigen Beitrag leisten und arbeiten mit vielen Kollaborateuren zusammen, um die Zukunft der Neurotechnologie in Deutschland mitzugestalten.

Ali, O., Saif-Ur-Rehman, M., Dyck, S., Glasmachers, T., Iossifidis, I., & Klaes, C. (2022). Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Scientific Reports, 12(1), 4245. https://doi.org/10.1038/s41598-022-07992-w

Lienkämper, R., Dyck, S., Saif-Ur-Rehman, M., Metzler, M., Ali, O., & Klaes, C. (2021). Quantifying the alignment error and the effect of incomplete somatosensory feedback on motor performance in a virtual brain-computer-interface setup. Scientific Reports, 11(1), 4614. https://doi.org/10.1038/s41598-021-84288-5

Saif-Ur-Rehman, M., Ali, O., Dyck, S., Lienkämper, R., Metzler, M., Parpaley, Y., Wellmer, J., Liu, C., Lee, B., Kellis, S., Andersen, R., Iossifidis, I., Glasmachers, T., & Klaes, C. (2021). Spikedeep-classifier: A deep-learning based fully automatic offline spike sorting algorithm. Journal of Neural Engineering, 18(1). https://doi.org/10.1088/1741-2552/abc8d4

Saif-Ur-Rehman, M., Lienkämper, R., Parpaley, Y., Wellmer, J., Liu, C., Lee, B., Kellis, S., Andersen, R., Iossifidis, I., Glasmachers, T., & Klaes, C. (2019). Spikedeeptector: A deep-learning based method for detection of neural spiking activity. Journal of Neural Engineering, 16(5), 56003. https://doi.org/10.1088/1741-2552/ab1e63

Aflalo, T., Kellis, S., Klaes, C., Lee, B., Shi, Y., Pejsa, K., Shanfield, K., Hayes-Jackson, S., Aisen, M., Heck, C., Liu, C., & Andersen, R. A. (2015). Neurophysiology. Decoding motor imagery from the posterior parietal cortex of a tetraplegic human. Science (New York, N.Y.), 348(6237), 906–910. https://doi.org/10.1126/science.aaa5417

Klaes, C., Kellis, S., Aflalo, T., Lee, B., Pejsa, K., Shanfield, K., Hayes-Jackson, S., Aisen, M., Heck, C., Liu, C., & Andersen, R. A. (2015). Hand Shape Representations in the Human Posterior Parietal Cortex. The Journal of Neuroscience : The Official Journal of the Society for Neuroscience, 35(46), 15466–15476. https://doi.org/10.1523/JNEUROSCI.2747-15.2015

Andersen, R. A., Kellis, S., Klaes, C., & Aflalo, T. (2014). Toward more versatile and intuitive cortical brain-machine interfaces. Current Biology : CB, 24(18), R885-R897. https://doi.org/10.1016/j.cub.2014.07.068

Klaes, C., Shi, Y., Kellis, S., Minxha, J., Revechkis, B., & Andersen, R. A. (2014). A cognitive neuroprosthetic that uses cortical stimulation for somatosensory feedback. Journal of Neural Engineering, 11(5), 56024. https://doi.org/10.1088/1741-2560/11/5/056024

Klaes, C., Westendorff, S., Chakrabarti, S., & Gail, A. (2011). Choosing goals, not rules: Deciding among rule-based action plans. Neuron, 70(3), 536–548. https://doi.org/10.1016/j.neuron.2011.02.053

Gail, A., Klaes, C., & Westendorff, S. (2009). Implementation of spatial transformation rules for goal-directed reaching via gain modulation in monkey parietal and premotor cortex. The Journal of Neuroscience : The Official Journal of the Society for Neuroscience, 29(30), 9490–9499. https://doi.org/10.1523/JNEUROSCI.1095-09.2009