Wissenschaftlicher Hintergrund

"Die Augen sind der Spiegel der Seele" - dieses jiddische Sprichwort beschreibt eine der fundamentalen Annahmen neurowissenschaftlicher Aufmerksamkeitsforschung: den Dingen, die wir anschauen, schenken wir auch die meiste Aufmerksamkeit - und Aufmerksamkeit steht vor anderen kognitiven Prozessen wie Verstehen, Glauben und Wünschen.

Universität Osnabrück am Campus Westerberg

Aber was zieht unsere Aufmerksamkeit an? Und welche Vorgänge im Gehirn sind dafür verantwortlich?

Wir wollen diese Fragen beantworten, indem wir Eye-Tracking Studien mit Computersimulationen des menschlichen Gehirns kombinieren. Eye-Tracking hilft uns zu verstehen, welche Bildstatistiken die Blicke unserer Versuchspersonen anziehen, und die Vorhersagen unserer Simulationen erlauben es, daraus Schlüsse auf die Aufmerksamkeitsprozesse im Gehirn zu ziehen.

Unsere Forschung wird in der Neurobiopsychologie-Gruppe am Institut für Kognitionswissenschaft, Universität Osnabrück durchgeführt. Leiter der Arbeitsgruppe ist der renommierte Neurowissenschaftler Prof. Dr. Peter König.

Datenerhebung mit Eye-Tracking

Durch Eye-Tracking können wir messen, wohin Menschen sehen und was sie betrachten. Indem wir visuelle Stimuli gezielt modifizieren, können wir Erkenntnisse über die zu Grunde liegenden Aufmerksamkeitsmechanismen gewinnen. Im Labor der Neurobiopsychologie benutzen wir sowohl ein Präzisionsgerät, dass die Augenbewegungen über unterhalb der Augen positionierte Kameras misst, als auch einen sogenannten remote Eye-Tracker, bei dem sich die Kameras am Bildschirm befinden. Aus den so aufgezeichneten Bildern kann mit hoher Genauigkeit berechnet werden, auf welche Bildschirmposition der Blick einer Versuchsperson gerichtet war, während sie Bilder oder andere visuelle Stimuli betrachtete.

Modellierung visueller Aufmerksamkeit

Wir möchten ein besseres Verständnis der Vorgänge bekommen, die sich im Gehirn abspielen wenn wir ein Bild betrachten und entscheiden, wo wir als nächstes hinsehen. Um dieses Ziel zu erreichen entwickeln wir Computermodelle, die menschliches Blickverhalten nachahmen. Hierbei kombinieren wir neurowissenschaftliche Erkenntnisse über die visuelle Verarbeitung im Gehirn und Methoden des maschinellen Lernens. Es ist bekannt, dass bestimmte Neuronen in visuellen Arealen des Kortex verschiedene Bildstatistiken berechnen. Durch Berechnung dieser Statistiken und eine Integration der Ergebnisse, die die Daten unserer Versuchspersonen berücksichtigt, erhalten wir auch ein Bild davon, wie die Integration und die daraus resultierende Aufmerksamkeitssteuerung im Gehirn vor sich gehen könnte. Durch maschinelles Lernen können wir die Gewichtung der verschiedenen Bildeigenschaften in unseren Modellen so optimieren, dass unsere Vorhersagen menschliches Verhalten möglichst gut abbilden.

Hier finden Sie eine kurze Auswahl aus Veröffentlichungen von Mitgliedern der Neurobiopsychologie Arbeitsgruppe, an der auch GoodGaze entwickelt wird. Eine vollständige Liste finden Sie auf der Neurobiopsychologie Website .

Salazar RF, Kayser C, König P.
Effects of training on neuronal activity and interactions in primary and higher visual cortices in the alert cat.
Journal of Neuroscience 2004 Feb 18;24(7):1627-36.

Nagel SK, Carl C, Kringe T, Märtin R, König P.
Beyond sensory substitution--learning the sixth sense.
Journal of Neural Engineering 2005 Dec;2(4):R13-26.

Frey HP, König P, Einhäuser W.
The role of first- and second-order stimulus features for human overt attention.
Perception & Psychophysics 2007 Feb;69(2):153-61.

Onat S, Tichacek K and König P (2007).
Integrating audio-visual information for the control of overt attention.
Journal of Vision 7(10):11, 1-16.

Einhäuser W, Rutishauser U, Frady P, Nadler S, König P and Koch Ch
The relation of phase noise and luminance contrast to overt attention in complex visual stimuli.
Journal of Vision 2006 Oct 9;6(11):1148-58.

Einhäuser W, Schumann F, Bardins S, Bart K, Böning G, Schneider E and König P (2007).
Human eye- head co-ordination in natural exploration.
Network: Computation in Neural Systems 18(3):267-297. Electronical publication