{"id":1016,"date":"2020-08-01T01:19:12","date_gmt":"2020-07-31T23:19:12","guid":{"rendered":"https:\/\/blogs.uni-bremen.de\/scienceblog\/?p=1016"},"modified":"2021-03-18T13:44:14","modified_gmt":"2021-03-18T12:44:14","slug":"shortcut-gehirncomputer","status":"publish","type":"post","link":"https:\/\/blogs.uni-bremen.de\/scienceblog\/2020\/08\/01\/shortcut-gehirncomputer\/","title":{"rendered":"Shortcut Gehirn\u2013Computer"},"content":{"rendered":"<p style=\"text-align: justify\"><em>von <a href=\"https:\/\/blogs.uni-bremen.de\/scienceblog\/ueber-uns\/\">Elisa Brau\u00dfe<\/a><\/em><\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"alignnone wp-image-1024\" src=\"https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/technology-3358837_1920-300x200.jpg\" alt=\"\" width=\"764\" height=\"509\" srcset=\"https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/technology-3358837_1920-300x200.jpg 300w, https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/technology-3358837_1920-1024x683.jpg 1024w, https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/technology-3358837_1920-768x512.jpg 768w, https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/technology-3358837_1920-1536x1024.jpg 1536w, https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/technology-3358837_1920-676x451.jpg 676w, https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/technology-3358837_1920.jpg 1920w\" sizes=\"auto, (max-width: 764px) 100vw, 764px\" \/><\/p>\n<p style=\"text-align: justify\"><strong>Der (Astro-)Physiker Stephen Hawking, wahrscheinlich der bekannteste Mensch mit Amyotropher Lateralsklerose (ALS, siehe Infobox), verlor nach einem operativen Eingriff seine Sprechf\u00e4higkeit komplett. Solange er seine H\u00e4nde noch bewegen konnte, w\u00e4hlte er mithilfe eines Sprachcomputers Buchstaben, W\u00f6rter oder ganze Satzteile aus einer Datenbank aus, die der Computer dann f\u00fcr ihn &#8222;aussprach&#8220;. Als er auch seine Hand nicht mehr kontrollieren konnte, steuerte er seinen Sprachcomputer stattdessen mit einem Infrarot-Sensor, der die Muskelaktivit\u00e4t in seiner Wange registrierte. [1]<\/strong><\/p>\n<p style=\"text-align: justify\"><!--more--><\/p>\n<p style=\"background-color: #f9f9f9;padding: 10px;margin-bottom: 10px;border-width: 1px;border-style: solid\">Sp\u00e4testens seit der Ice Bucket Challenge und dem Film &#8222;Die Entdeckung der Unendlichkeit&#8220; d\u00fcrfte den meisten die Krankheit Amyotrophe Lateralsklerose, besser bekannt unter der Abk\u00fcrzung ALS, ein Begriff sein. ALS bezeichnet den schrittweisen Verlust von Neuronen, die Signale an Muskeln senden. Dieser f\u00fchrt zu immer ausgepr\u00e4gteren L\u00e4hmungserscheinungen bis hin zum Verlust der Sprach- und letztendlich auch der Atemf\u00e4higkeit.<\/p>\n<p style=\"text-align: justify\">Obwohl seine Wangensteuerung ihm immer die liebste blieb, experimentierte Hawking auch mit anderen Technologien, wie zum Beispiel der Steuerung seines Sprachcomputers mithilfe von Gehirnaktivit\u00e4t. Denn Ans\u00e4tze dazu gibt es schon lange. Sie werden Gehirn-Computer-Schnittstellen genannt, im Englischen Brain-Computer Interfaces (BCIs). Hinter diesem Begriff stehen verschiedene Methoden mit etlichen Anwendungsbereichen. Dazu geh\u00f6ren neben dem Buchstabieren die Steuerung von Prothesen und Rollst\u00fchlen, das Navigieren eines Cursors auf dem Bildschirm und vieles mehr.<\/p>\n<p style=\"text-align: justify\">In diesem Artikel bleiben wir allerdings bei Sprachsystemen, die Menschen das Kommunizieren vereinfachen oder \u00fcberhaupt erst erm\u00f6glichen sollen. Denn es sind nicht nur ALS-PatientInnen, denen solch eine Technik helfen kann. Auch beispielsweise nach Schlaganf\u00e4llen in bestimmten Hirnregionen kann eine fast vollst\u00e4ndige (engl: locked-in-syndrome (LIS)) oder vollst\u00e4ndige L\u00e4hmung (engl: completely LIS (CLIS)) eintreten, aufgrund derer PatientInnen sich nicht bemerkbar machen k\u00f6nnen (deutsch: Gefangenheitssyndrom).<\/p>\n<p style=\"text-align: justify\">Um diesen PatientInnen-Gruppen Kommunikation zu erm\u00f6glichen wird an entsprechenden mobilen Techniken und Methoden geforscht. Eine Technik, die in den allermeisten Ans\u00e4tzen genutzt wird, ist das EEG (Elektroenzephalographie). Dabei wird mit Elektroden, die mit einer Kappe auf dem Kopf befestigt werden, die elektrische Aktivit\u00e4t der Nervenzellen in der \u00e4u\u00dferen Schicht des Gehirns (dem Kortex, deutsch: Gro\u00dfhirnrinde) gemessen. Aber w\u00e4hrend die Messtechnik in vielen F\u00e4llen dieselbe ist, sind die verwendeten EEG-Signale und Auswertungsmethoden vielf\u00e4ltig.<\/p>\n<p style=\"text-align: justify\">Signale, die fr\u00fch als hilfreich erkannt wurden und immer noch oft zu Hilfe genommen werden, sind Ereigniskorrelierte Potenziale (EKPs), die, wie ihr Name schon verr\u00e4t, in Verbindung mit einem bestimmten Ereignis stehen. Eins der deutlichsten und deshalb am h\u00e4ufigsten verwendeten EKPs ist das sogenannte P300: P kennzeichnet einen positiven Ausschlag im EEG, 300 gibt die ungef\u00e4hre Zeit des Auftretens des EKPs nach dem Ereignis an (in Millisekunden). Das P300 tritt grob gesagt immer dann auf, wenn das Gehirn einen besonderen Reiz entdeckt: zum Beispiel wenn in einer Serie von gleichen, hohen T\u00f6nen pl\u00f6tzlich ein tiefer Ton auftaucht. [3] Oder wenn ihr in einer Sequenz auf einen f\u00fcr euch wichtigen Reiz achtet. Stellt euch zum Beispiel vor, ihr wollt ein &#8218;M&#8216; schreiben. Wenn euch dann nacheinander jeder Buchstabe des Alphabets gezeigt wird, wird euer Gehirn auf das f\u00fcr euch relevante &#8218;M&#8216; anders reagieren als auf die vielen anderen, unwichtigen Buchstaben. Und dieses Signal l\u00e4sst sich mit dem EEG aufnehmen. Leider m\u00fcssen sogar beim P300 etliche Wiederholungen durchlaufen werden, um das EKP herauszufiltern, obwohl es eins der st\u00e4rksten EKPs ist.<\/p>\n<p style=\"text-align: justify\">Da diese Methode sehr lange brauchen w\u00fcrde, um einen Buchstaben auszuw\u00e4hlen, wurde die Raster-Methode entwickelt. Dabei wird dem\/der NutzerIn immer eine ganze Reihe von Buchstaben nach der anderen, dann eine ganze Spalte nach der anderen gezeigt. Jedes Mal, wenn die pr\u00e4sentierte Reihe oder Spalte den gew\u00fcnschten Buchstaben enth\u00e4lt, entsteht ein P300, durch die Kombination von Reihe und Spalte ermittelt man dann den ausgew\u00e4hlten Buchstaben. [4] Diese Methode identifiziert den Buchstaben deutlich schneller.<\/p>\n<div class=\"lyte-wrapper fourthree\" style=\"width:420px;max-width:100%;margin:5px;\"><div class=\"lyMe\" id=\"WYL_wKDimrzvwYA\"><div id=\"lyte_wKDimrzvwYA\" data-src=\"\/\/i.ytimg.com\/vi\/wKDimrzvwYA\/hqdefault.jpg\" class=\"pL\"><div class=\"tC\"><div class=\"tT\"><\/div><\/div><div class=\"play\"><\/div><div class=\"ctrl\"><div class=\"Lctrl\"><\/div><div class=\"Rctrl\"><\/div><\/div><\/div><noscript><a href=\"https:\/\/youtu.be\/wKDimrzvwYA\" rel=\"nofollow\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/i.ytimg.com\/vi\/wKDimrzvwYA\/0.jpg\" alt=\"YouTube-Video-Vorschaubild\" width=\"420\" height=\"295\" \/><br \/>Dieses Video auf YouTube ansehen<\/a><\/noscript><\/div><\/div><div class=\"lL\" style=\"max-width:100%;width:420px;margin:5px;\"><\/div><\/p>\n<p style=\"text-align: justify\">Ein anderes EEG-Signal, das in den vergangenen Jahren immer mehr Aufmerksamkeit erhalten hat, weil es erm\u00f6glichte, viel schneller zu buchstabieren, ist das Visuell Evozierte Potential (VEP). Hinter diesem komplizierten Begriff versteckt sich ein einfaches Ph\u00e4nomen: die Reaktion des Bereichs im Gehirn, der Gesehenes verarbeitet (der visuelle Kortex, deutsch: Sehrinde), auf einen flackernden visuellen Reiz. Konkret werden hier vor allem <i>frequenz-modulierte<\/i> VEP (fVEP, meist <i>steady-state <\/i>VEP (SSVEP) genannt) und <i>code-modulierte<\/i> VEP (cVEP) unterschieden.<\/p>\n<p style=\"text-align: justify\">SSVEPs werden durch ein gleichm\u00e4\u00dfiges Flackern (Frequenz \u00fcber 4 Hz [5]) zwischen zwei Farben, schwarz oder wei\u00df ausgel\u00f6st. Der visuelle Kortex \u00fcbernimmt dabei die Frequenz des Flackerns. Wenn jetzt jedem Buchstaben eine andere Frequenz zugewiesen wird, ist es einfach, aus dem EEG-Signal den richtigen Buchstaben auszulesen. Zu dieser Methode wird zum Beispiel im <a href=\"https:\/\/www.uni-bremen.de\/csl\/\">Cognitive Systems Lab<\/a> der Uni Bremen geforscht.<\/p>\n<p style=\"text-align: justify\">Die Schwierigkeit f\u00fcr BCIs bei diesem Ansatz ist, dass einige Faktoren die Anzahl der Buchstaben einschr\u00e4nken, die zur selben Zeit angezeigt und unterschieden werden k\u00f6nnen. Denn zus\u00e4tzlich zur eingesetzten Flacker-Frequenz k\u00f6nnen auch ganzzahlige Vielfache dieser Frequenz im visuellen Kortex generiert werden, also z.B. zus\u00e4tzlich zu 5Hz auch 10Hz [6]. Setzt man also 5Hz und 10Hz als Flacker-Frequenzen ein, k\u00f6nnen beide im Gehirn eine Frequenz von 10Hz ausl\u00f6sen. Daher sollten die Frequenzen, die in einem SSVEP-basierten BCI verwendet werden, keine ganzzahligen Vielfachen voneinander sein. Gleichzeitig sollten die Frequenzen weit genug auseinander liegen, um sie mit Sicherheit voneinander unterscheiden zu k\u00f6nnen: 5 und 5,1Hz w\u00e4ren zum Beispiel wahrscheinlich durch Ungenauigkeiten der Messung recht schwierig auseinanderzuhalten. [7]<\/p>\n<div class=\"lyte-wrapper fourthree\" style=\"width:420px;max-width:100%;margin:5px;\"><div class=\"lyMe\" id=\"WYL_ZupEt1uvcls\"><div id=\"lyte_ZupEt1uvcls\" data-src=\"\/\/i.ytimg.com\/vi\/ZupEt1uvcls\/hqdefault.jpg\" class=\"pL\"><div class=\"tC\"><div class=\"tT\"><\/div><\/div><div class=\"play\"><\/div><div class=\"ctrl\"><div class=\"Lctrl\"><\/div><div class=\"Rctrl\"><\/div><\/div><\/div><noscript><a href=\"https:\/\/youtu.be\/ZupEt1uvcls\" rel=\"nofollow\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/i.ytimg.com\/vi\/ZupEt1uvcls\/0.jpg\" alt=\"YouTube-Video-Vorschaubild\" width=\"420\" height=\"295\" \/><br \/>Dieses Video auf YouTube ansehen<\/a><\/noscript><\/div><\/div><div class=\"lL\" style=\"max-width:100%;width:420px;margin:5px;\"><\/div><\/p>\n<p style=\"text-align: justify\">Hier kommt das cVEP ins Spiel: Dabei wird eine sogenannte m-Sequenz als Flacker-Stimulus genutzt. Eine m-Sequenz ist eine Bit-Sequenz (also eine Reihe von Einsen und Nullen), die die interessante Eigenschaft hat, dass sie nur minimal mit ihren zirkul\u00e4r verschobenen Versionen korreliert.<\/p>\n<p style=\"text-align: justify\">Um das zu erkl\u00e4ren, ist in der folgenden Abbildung eine einfache Bit-Sequenz visualisiert, die keine m-Sequenz ist. Die wei\u00dfen Felder symbolisieren Einsen, die schwarzen Felder Nullen. Einsen und Nullen in der Sequenz wechseln sich ab. Wird diese Sequenz um zwei Felder nach rechts verschoben und die \u00fcberstehenden Felder an den Anfang gestellt (Schritt 2), sieht die Sequenz wieder haargenau aus wie das Original, die Korrelation ist maximal. W\u00fcrden wir den Buchstaben A mit der Originalsequenz flackern lassen und den Buchstaben B mit der Sequenz nach Schritt 2, k\u00f6nnten wir die Buchstaben nicht auseinanderhalten. Dieses Beispiel ist also keine geeignete Bit-Sequenz.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"alignnone size-medium wp-image-1026\" src=\"https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/1-300x87.png\" alt=\"\" width=\"300\" height=\"87\" srcset=\"https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/1-300x87.png 300w, https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/1.png 360w\" sizes=\"auto, (max-width: 300px) 100vw, 300px\" \/><\/p>\n<p style=\"text-align: justify\">Bei einer m-Sequenz hingegen k\u00f6nnt ihr die Sequenz immer weiter verschieben und erst wenn ihr zur Ausgangsposition zur\u00fcckkehrt, gleicht sich das Muster aus wei\u00df und schwarz wieder, wie in der folgenden Darstellung der Verschiebungen einer 15-Bit Sequenz. Diese Eigenschaft kann man f\u00fcr einen BCI-Buchstabierer derart ausnutzen, dass dem Buchstaben &#8218;A&#8216; die originale m-Sequenz zugeordnet und diese dann f\u00fcr jeden weiteren Buchstaben verschoben wird. So hat jeder Buchstabe seine \u201cganz eigene\u201d Flacker-Sequenz.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"alignnone size-medium wp-image-1027\" src=\"https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/2-300x251.png\" alt=\"\" width=\"300\" height=\"251\" srcset=\"https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/2-300x251.png 300w, https:\/\/blogs.uni-bremen.de\/scienceblog\/files\/2.png 305w\" sizes=\"auto, (max-width: 300px) 100vw, 300px\" \/><\/p>\n<p style=\"text-align: justify\">Um sicher zu gehen, dass die Sequenz auch wirklich dem richtigen Buchstaben zugeordnet werden kann, verschiebt man die Originalsequenz jeweils um 3-4 Positionen (also bei 60Hz um ca. 0.05s). Wenn der visuelle Kortex also mal ein bisschen schneller oder langsamer reagiert, wird nicht gleich der falsche Buchstabe ausgew\u00e4hlt.<\/p>\n<p style=\"text-align: justify\">Welcher Buchstabe geschrieben werden soll, wird dann mit einem Schablonenabgleich ermittelt. Daf\u00fcr wird erst einmal eine Trainingsphase absolviert, in der dem\/der NutzerIn die m-Sequenz etliche Male vorgespielt wird. Aus den EEG-Daten, die w\u00e4hrenddessen erhoben werden, kann dann durch Mittelung der Durchl\u00e4ufe und ein spezielles statistisches Verfahren eine Schablone erstellt werden, welche das erwartete EEG-Signal abbildet. Beim anschlie\u00dfenden Buchstabieren werden die gemessenen EEG-Daten einfach mit der Schablone abgeglichen. Genau wie die m-Sequenz wird auch die Schablone verschoben, um zu ermitteln, bei welcher Verschiebung die Schablone am besten auf die Daten passt. Et voil\u00e0 \u2013 der zur am besten passenden Verschiebung geh\u00f6rige Buchstabe ist (wahrscheinlich) der ausgew\u00e4hlte Buchstabe.<\/p>\n<p style=\"text-align: justify\">W\u00e4hrend eines Praktikums im <a href=\"https:\/\/www.uni-bremen.de\/studieren-mit-beeintraechtigung\/projekte\/lageplanprojekt-campus-barrierefrei\/gebaeude\/cognium\/\">Cognium<\/a> habe ich genau diese Methode (anhand einer Studie von [8]) implementiert und getestet. Den Versuchspersonen wurden 25 Buchstaben (also A-Y) gezeigt. Und obwohl wir das zum ersten Mal ausprobierten, haben wir eine erstaunlich hohe Trefferquote erreicht: Der Schnitt meiner 6 Versuchspersonen lag bei ca. 70% richtig ermittelten aus 80 geschriebenen Buchstaben. Dabei haben wir zwei Frequenzen getestet: 72 und 144 Hz. Bei 4 der Versuchspersonen haben wir mit 72 Hz\u00a0 eine Trefferquote von \u00fcber 80%, oft sogar \u00fcber 90% erzielt, bei 3 Versuchspersonen klappte das auch mit 144 Hz \u2013 und das mit weniger als zwei Sekunden Daten pro Buchstabe!<\/p>\n<p style=\"text-align: justify\">Der Nachteil des cVEP gegen\u00fcber SSVEP ist, dass f\u00fcr jede(n) NutzerIn eine Trainingsphase durchgef\u00fchrt werden muss, um die Schablone zu erstellen. Zus\u00e4tzlich muss immer zu Beginn eines Durchlaufs der m-Sequenz ein Zeitstempel erstellt werden, da wir sonst nicht w\u00fcssten, ob die Schablone gar nicht (&#8218;A&#8216;) oder zum Beispiel zweimal (&#8218;C&#8216;) verschoben werden muss. Das macht den Aufbau f\u00fcr ein cVEP-basiertes BCI ein wenig komplexer.<\/p>\n<p style=\"text-align: justify\">Bis diese Methoden in die Praxis umgesetzt werden, muss (neben vielen anderen Fragen) allerdings noch gekl\u00e4rt werden, wie BCIs mobiler und kosteng\u00fcnstiger gestaltet werden k\u00f6nnen als in den meisten Studien derzeit praktiziert. Denn nur weil ich mittels meiner Gehirnstr\u00f6me kommunizieren m\u00f6chte, bedeutet das nicht, dass ich immer einen Desktop-Computer, eine EEG-Kappe inklusive all der Kabelage und das restliche EEG-Equipment mit mir herumtragen m\u00f6chte. Kabellose Alternativen zur herk\u00f6mmlichen EEG-Kappe existieren bereits.<\/p>\n<p style=\"text-align: justify\">Bisher ist auch noch nicht gekl\u00e4rt, ob die vorgestellten VEP-basierten BCIs f\u00fcr CLIS-PatientInnen nutzbar sein werden. Denn daf\u00fcr muss der auszuw\u00e4hlende Buchstabe fixiert werden. F\u00fcr CLIS-PatientInnen, die nicht einmal mehr ihre Augen bewegen k\u00f6nnen, ist das nat\u00fcrlich nicht m\u00f6glich. Reicht es also vielleicht, nur die Aufmerksamkeit auf den jeweiligen Buchstaben zu richten, die Buchstaben also nur \u201caus dem Augenwinkel\u201d zu beobachten? Bisher wurde das nur unzureichend untersucht. Wahrscheinlich ist, dass f\u00fcr unterschiedliche NutzerInnen und Anwendungsbereiche verschiedene Techniken und Methoden zum Einsatz kommen werden, um den NutzerInnen optimal zu dienen.<\/p>\n<p style=\"text-align: justify\">Klar ist jedoch: Mit Gedankenlesen hat das alles wenig zu tun. Mit cleveren neurowissenschaftlichen, technischen, mathematischen und experimentellen Tricks und Erkenntnissen k\u00f6nnen wir dem Gehirn einige Informationen entlocken. Aber dazu muss der\/die NutzerIn in aller Regel mitspielen. Wie vollst\u00e4ndige Gedanken, wie wir sie st\u00e4ndig erleben, auf neuronaler Ebene entstehen und entschl\u00fcsselt werden k\u00f6nnen, davon haben wir nach wie vor kaum eine Idee\u2026<\/p>\n","protected":false},"excerpt":{"rendered":"<p>von Elisa Brau\u00dfe Der (Astro-)Physiker Stephen Hawking, wahrscheinlich der bekannteste Mensch mit Amyotropher Lateralsklerose (ALS, siehe Infobox), verlor nach einem operativen Eingriff seine Sprechf\u00e4higkeit komplett. Solange er seine H\u00e4nde noch bewegen konnte, w\u00e4hlte er mithilfe eines Sprachcomputers Buchstaben, W\u00f6rter oder ganze Satzteile aus einer Datenbank aus, die der Computer dann f\u00fcr ihn &#8222;aussprach&#8220;. Als er [&hellip;]<\/p>\n","protected":false},"author":9714,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"footnotes":""},"categories":[15903,672798,569466],"tags":[569724,569722,569726,569720,569718,569716],"class_list":["post-1016","post","type-post","status-publish","format-standard","hentry","category-biologie","category-naturwissenschaften","category-neurowissenschaften","tag-bci","tag-brain-computer-interface","tag-gedankenlesen","tag-gehirn-computer-schnittstellen","tag-sprachcomputer","tag-stephen-hawking","post-preview"],"_links":{"self":[{"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/posts\/1016","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/users\/9714"}],"replies":[{"embeddable":true,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/comments?post=1016"}],"version-history":[{"count":10,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/posts\/1016\/revisions"}],"predecessor-version":[{"id":1033,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/posts\/1016\/revisions\/1033"}],"wp:attachment":[{"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/media?parent=1016"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/categories?post=1016"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/tags?post=1016"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}