Ende dieses Seitenbereichs.

Beginn des Seitenbereichs: Inhalt:

Konnektivitätsanalyse von EEG-Signalen

Zeitveränderliche Konnektivität zwischen kortikalen Bereichen könnte nützliche Informationen beinhalten, wie das Gehirn sein Verhalten organisiert, um spezifische Aufgaben durchzuführen. Wir verwenden statistische Methoden aus der Zeitreihenanalyse, um EEG-Signale (und deren geschätzte kortikalen Quellen) zu modellieren und ihre dynamischen Interaktionen zu untersuchen. Unser Open-Source Python-Paket SCoT (Source Connectivity Toolbox) stellt dafür geeignete Werkzeuge zur Verfügung (auf GitHub erhältlich) und ermöglicht Konnektivitätsanalysen sowohl auf Multi-Trial- als auch Single-Trial-Ebene.

Ausgewählte Publikationen:

Billinger, M., Brunner, C., Müller-Putz, G. R. (2014). SCoT: a Python toolbox for EEG source connectivity. Frontiers in Neuroinformatics, 8, 22.

Billinger, M., Brunner, C., Müller-Putz, G. R. (2013). Single-trial connectivity estimation for classification of motor imagery data. Journal of Neural Engineering, 10, 046006.

Brunner, C., Billinger, M., Vidaurre, C., Neuper, C. (2011). A comparison of univariate, vector, bilinear autoregressive, and band power features for brain-computer interfaces. Medical & Biological Engineering & Computing, 49, 1337-1346.

Brunner, C., Scherer, R., Graimann, B., Supp, G., Pfurtscheller, G. (2006). Online control of a brain-computer interface using phase synchronization. IEEE Transactions on Biomedical Engineering, 53, 2501-2506.

Arbeitsbereichsleitung

Univ.-Prof. Mag. Dr.rer.nat.

Roland Grabner

Institut für Psychologie


Sekretariat

Fachinspektorin

Silvia Haberhofer

Institut für Psychologie

Telefon:+43 316 380 - 8536

Ende dieses Seitenbereichs.

Beginn des Seitenbereichs: Zusatzinformationen:


Ende dieses Seitenbereichs.