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: Independent component analysis of noninvasively recorded cortical magnetic DC-fields in humans
Autor(en): G. Wübbeler, A. Ziehe, B.-M. Mackert, K.-R. Müller, L. Trahms and C. Curio
Journal: Biomedical Engineering, IEEE Transactions on
Jahr: 2000
Band: 47
Ausgabe: 5
Seite(n): 594-599
DOI: 10.1109/10.841331
ISSN: 0018-9294
Schlüsselwörter: decorrelation;feature extraction;hearing;magnetoencephalography;medical signal processing;music;statistical analysis;DC-component;ICA method robustness;MEG recordings;animals;auditory cortex;blind source separation;cerebral anoxia;humans;independent component analysis;magnetoencephalogram recordings;medical applications;multivariate statistical data analysis technique;music;near-DC field extraction;noninvasively recorded cortical magnetic DC-fields;outlier;real-world testbed;slowly varying DC-phenomena;spreading depression;temporal decorrelation;Blind source separation;Data analysis;Data mining;Humans;Independent component analysis;Magnetic analysis;Magnetic recording;Magnetic separation;Medical services;Source separation;Acoustic Stimulation;Algorithms;Artifacts;Auditory Cortex;Evoked Potentials, Auditory;Humans;Magnetoencephalography;Signal Processing, Computer-Assisted
Marker: 8.42, Gehirn
Zusammenfassung: We apply a recently developed multivariate statistical data analysis technique-so called blind source separation (BSS) by independent component analysis-to process magnetoencephalogram recordings of near-DC fields. The extraction of near-DC fields from MEG recordings has great relevance for medical applications since slowly varying DC-phenomena have been found, e.g., in cerebral anoxia and spreading depression in animals. Comparing several BSS approaches, it turns out that an algorithm based on temporal decorrelation successfully extracted a DC-component which was induced in the auditory cortex by presentation of music. The task is challenging because of the limited amount of available data and the corruption by outliers, which makes it an interesting real-world testbed for studying the robustness of ICA methods.

Zurück zur Listen Ansicht

Nach oben