Die Bioelektromagnetik (BioEM), ein auf vielen hochspezialisierten Technologien basierendes aufstrebendes interdisziplinäres Gebiet, stößt bei Forschern und Wissenschaftlern auf großes Interesse. Es ist vorhersehbar, dass Implantate als hochintegrierte und intelligente Geräte entwickelt werden, wobei extrem kleine Abmessungen und ein geringer Stromverbrauch, die Leistungsfähigkeit in den Bereichen Sensorik, Steuerung, Datenverarbeitung sowie drahtlose Daten- und Energieübertragung nicht beschränken soll.

Eines der anspruchsvollsten Designs ist das menschliche Hirnimplantat, das das Leben von Patienten verändern und das Leben von gesunden Menschen fördern soll. Da Hirnimplantate in sehr enger Wechselwirkung mit dem menschlichen Körper und dem Hirngewebe stehen, ist es von entscheidender Bedeutung, ihre elektromagnetischen Effekte auf die Umgebung des menschlichen Gehirns zu kennen und zu kontrollieren. Hierzu ist der Einsatz von präzisen und zuverlässigen Messinstrumenten notwendig, um ihre hierarchischen, anisotropen und dispersiven Eigenschaften zu beschreiben. Weiter müssen Interferenzen und Störungen zwischen verschiedenen elektronischen Bauteilen und Geräten, die sowohl innerhalb als auch außerhalb des Körpers getragen werden Berücksichtigung in der Entwicklung finden.

In diesem Projekt liegt der Fokus auf der Entwicklung von Gehirnimplantaten und Modelle des menschlichen Kopfes, Verbesserung von Simulationsmethoden,  sowie die Vereinfachung von Mess- und Validierungsmethoden, sodass realitätsnahe Modelle entwickelt werden können. Insbesondere die Methoden des maschinellen Lernens (ML), werden für die Lösung von Bio-EMC-Problemen für Gehirnimplantate angepasst. Dazu werden folgende drei Aspekte in diesem Projekt bearbeitet:

• Bereitstellung genauer Simulationsmodelle für ein Implantat mit drahtloser Energieübertragung und für ein menschliches Kopfmodell
• Die Nahfeld-Vollwellen-Simulation liefert die genauesten Simulationsergebnisse, ist aber aufgrund der umfangreichen numerischen Berechnungen sehr zeit- und speicheraufwändig. Adaptives Sampling, ML-basiertes Clustering und Datenerfassung der Huygens-Oberfläche sollen die Vollwellensimulationen ersetzen. Es wird daher eine adaptive Sampling-Methode verwendet, um das EM-Feld von Gehirnimplantaten an menschlichen Kopfmodellen zu erkennen. Des Weiteren werden Fehler im Vergleich zur Vollwellensimulation untersucht. ML-basierte Quellenrekonstruktion und inverse EM-Streuung sind ein weiteres Thema, das auch in anderen Teilen zur Optimierung verwendet wird
• Messungen mit Nahfeld-Scannern zur Validierung der Simulationsergebnisse werden ausgeführt. Von besonderem Interesse ist die Validierung von Device-Under-Test (DUT) Modellen zueinander, bei der Verwendung verschiedener Gehirnimplantate, sowie die Anwendung von Methoden des Maschinellen Lernens für die Analyse von elektromagnetischen Problemen, bezugnehmend auf Verschiedene Simulationsparameter, wie die Position, den Abstand, die Orientierung des DUTs und den Frequenzbereich.