Logo PTB

Analyse ereignisbezogener Gehirnsignale

Arbeitsgruppe 8.42

Mittels Elektroenzephalogramm (EEG) und Magnetoenzephalogramm (MEG) (Arbeitsgruppe 8.21) lassen sich Aufschlüsse über Prozesse der Informationsverarbeitung im menschlichen Gehirn gewinnen. Hierzu werden im Rahmen neurophysiologischer Studien ereignisbezogene Hirnsignale im aufgenommenen EEG/MEG analysiert, die z.B. durch Darbietung visueller oder akustischer Reize hervorgerufen werden.

Die Analyse solcher ereignisbezogenen Signale wird allerdings durch überlagerte  Signale der spontanen Hirnaktivität sowie durch externe Störquellen erschwert. Um ausreichende Signal-zu-Rauschverhältnisse zu erhalten, werden daher gewöhnlich Mittelungsverfahren angewendet. Dies berücksichtigt allerdings nicht die Variabilität zwischen einzelnen ereignisbezogenen Signalen. Zur Vermeidung dieses Informationsverlustes ist die Analyse einzelner ereignisbezogener Signale notwendig. Die wesentlichen Herausforderungen einer solchen Analyse sind das geringe Signal-zu-Rauschverhältnis sowie die Tatsache, dass das Frequenzspektrum der überlagerten, spontanen Aktivität im EEG/MEG mit dem der zu analysierenden Signale stark überlappt.

Gegenstand aktueller Arbeiten an der PTB ist die Bestimmung von Amplitude und Latenz einzelner ereignisbezogener Hirnsignale. Dies kann durch geeignete Bandpassfilterung und Anwendung der Hilbert-Transformation erfolgen, wobei der relevante spektrale Anteil eines ereignisbezogenen Signals in die zwei unabhängigen Signale Einhüllende und Phase zerlegt wird. Von diesen beiden Signalen können dann Amplitude und Latenz bestimmt werden.

Zerlegung gemittelter akustisch stimulierter MEG Signale in Einhüllende und Sinusphasensignal für zwei unterschiedliche Tonfrequenzen.
Abb. 1 : Zerlegung gemittelter akustisch stimulierter MEG Signale in Einhüllende und Sinusphasensignal für zwei unterschiedliche Tonfrequenzen.

 

Abbildung 1 illustriert das Bandpass-Verfahren für gemittelte, ereignisbezogene Signale eines MEG, die durch Darbietung von Tönen der Frequenzen 125 Hz und 1000 Hz ausgelöst wurden. Dargestellt sind die gemittelten, ereignisbezogenen Signale getrennt nach den beiden Tonfrequenzen und die daraus abgeleiten Signale von Einhüllender und Sinusphase. Aus dem Verlauf der Sinusphasensignale im Zeitintervall 100 ms bis 150 ms nach Darbietung der einzelnen Tonsignale kann die Latenzverschiebung der beiden Signale gegeneinander bestimmt werden.



Die Bestimmung von Parametern einzelner ereignisbezogener Hirnsignale kann durch räumliche Filterung deutlich verbessert werden. Hierbei wird ausgenutzt, dass bei EEG/MEG Messungen üblicherweise einer Vielzahl von räumlich verteilten Sensoren verwendet wird. Ziel der räumlichen Filterung ist, die Signale von störenden Quellen (z.B. spontane Hirnaktivität) weitgehend zu unterdrücken, wobei die interessierenden ereignisbezogenen Signale möglichst unverändert bleiben sollen.

Anwendung der Filterverfahren auf ungemittelte ereignisbezogene Signale. Die orangefarbene Linie zeigt jeweils den gemittelten Verlauf an.
Abb. 2 : Anwendung der Filterverfahren auf ungemittelte ereignisbezogene Signale. Die orangefarbene Linie zeigt jeweils den gemittelten Verlauf an.

 

Abbildung 2 zeigt anhand einzelner ungemittelter ereignisbezogener Signale eines ausgewählten MEG Kanals die Auswirkung der verwendeten Filterverfahren. Das räumliche Filter wurde aus 93 MEG Kanälen mittels Noise Adjusted Principal Component Analysis (NAPCA) konstruiert. Durch die räumliche Filterung wird eine deutliche Reduzierung störender Signalkomponenten erzielt, so dass die einzelnen ereignisbezogenen Hirnantworten sichtbar werden.

Latenzen einzelner ereignisbezogener Hirnsignale nach akustischer Stimulation mit zwei unterschiedlichen Tonfrequenzen.
Abb. 3 : Latenzen einzelner ereignisbezogener Hirnsignale nach akustischer Stimulation mit zwei unterschiedlichen Tonfrequenzen.

   

Die Ergebnisse der Latenzbestimmung von einzelnen ereignisbezogenen Hirnsignalen nach akustischer Stimulation mit zwei unterschiedlichen Tonfrequenzen sind in Abbildung 3 dargestellt. Die Ergebnisse zeigen einen Latenzunterschied zwischen den beiden durch die verwendeten Tonfrequenzen definierten Stimulationsklassen. Nach räumlicher Filterung ist dieser Unterschied bereits anhand der (verbessert geschätzten) Latenzen der einzelnen ereignisbezogenen Hirnsignale deutlich erkennbar.

Nach oben

Publikationen

Publikations Einzelansicht

Artikel

Titel: Recent advances in modeling and analysis of bioelectric and biomagnetic sources
Autor(en): T. H. Sander, T. R. Knösche, A. Schlögl, F. Kohl, C. H. Wolters, J. Haueisen and L. Trahms
Journal: Biomedizinische Technik. Biomedical engineering
Jahr: 2010
Band: 55
Ausgabe: 2
Seite(n): 65--76
DOI: 10.1515/BMT.2010.027
ISSN: 1862-278X
Web URL: http://www.degruyter.com/view/j/bmte.2010.55.issue-2/bmt.2010.027/bmt.2010.027.xml
Schlüsselwörter: Action Potentials,Action Potentials: physiology,Animals,Brain,Brain Mapping,Brain Mapping: methods,Brain Mapping: trends,Brain: physiology,Computer Simulation,Electroencephalography,Electroencephalography: methods,Electroencephalography: trends,Electromagnetic Fields,Humans,Models,Neurological,Radiometry,Radiometry: methods,Radiometry: trends,SingleTrial
Marker: 8.42, Gehirn
Zusammenfassung: Determining the centers of electrical activity in the human body and the connectivity between different centers of activity in the brain is an active area of research. To understand brain function and the nature of cardiovascular diseases requires sophisticated methods applicable to non-invasively measured bioelectric and biomagnetic data. As it is difficult to solve for all unknown parameters at once, several strains of data analysis have been developed, each trying to solve a different part of the problem and each requiring a different set of assumptions. Current trends and results from major topics of electro- and magnetoencephalographic data analysis are presented here together with the aim of stimulating research into the unification of the different approaches. The following topics are discussed: source reconstruction using detailed finite element modeling to locate sources deep in the brain; connectivity analysis for the quantification of strength and direction of information flow between activity centers, preferably incorporating an inverse solution; the conflict between the statistical independence assumption of sources and a possible connectivity; the verification and validation of results derived from non-invasively measured data through animal studies and phantom measurements. This list already indicates the benefits of a unified view.

Zurück zur Listen Ansicht

Nach oben