© Alexander Edthofer

Für das Verständnis von Übergängen zwischen Bewusstseinszuständen wie Wachsein, Schlaf und Anästhesie ist die Verfolgung von Veränderungen der funktionellen Konnektivität (FC) zwischen Hirnregionen entscheidend. Whole-Brain Models bieten einen Rahmen zur Untersuchung dieser Übergänge und wurden bislang überwiegend mithilfe der funktionellen Magnetresonanztomographie (fMRT) entwickelt. Da die fMRT jedoch kostspielig ist und nur begrenzt klinisch eingesetzt werden kann, wurde die Entwicklung mathematischer Modelle auf der Grundlage der Elektroenzephalografie (EEG) motiviert, da das EEG ist während chirurgischer Eingriffe routinemäßig verfügbar.

Unser Ziel ist es, ein etabliertes fMRT-basiertes FC-Modell in einen EEG-basierten Rahmen zu übertragen und dabei die zugrunde liegende dynamische Struktur zu bewahren. Hierfür identifizieren wir EEG-basierte funktionelle Cluster, was zu einem niedrigdimensionalen stochastischen Differentialgleichungsmodell führt. Auf der Grundlage dieser Reduktion leiten wir ein Hopf-Whole-Brain Model her und untersuchen dessen dynamische Eigenschaften. Insbesondere analysieren wir Bifurkationsstrukturen und Übergänge zwischen dynamischen Regimen, die mit veränderten Bewusstseinszuständen assoziiert sind. 

EEG - Analyse

Die Informationsverarbeitung im menschlichen Gehirn ist ein komplexer Prozess und dementsprechend werden unsere Gehirnzellen beim Denken unterschiedlich aktiv. Mithilfe des EEGs kann diese elektrische Aktivität des Gehirns gemessen, analysiert und grafisch dargestellt werden. Im klinischen Bereich ist die Analyse des EEGs beispielsweise während einer Operation oder im Schlaflabor von großer Bedeutung. Die Analyse der unterschiedlichen Bewusstseinszustände erfolgt mit Hilfe von Algorithmen, welche zumeist im Frequenzspektrum arbeiten. Ziel der Aktivitäten in der gemeinsamen Kooperation mit der Arbeitsgruppe Biosignalanalyse der Technischen Universität München ist es Parameter zu entwickeln, welche physikalisch und physiologisch sinnvoll den Bewusstseinszustand charakterisieren können und die zugehörigen Analysen im Zeitbereich ermöglichen. Dazu verwenden wir die Entropy of Difference und vergleichen diese mit der in der Literatur bereits verwendeten Permutation Entropy. 

Weiters beschäftigen wir uns in diesem Zusammenhang auch mit der Granger Causality und deren Anwendung auf das EEG. Dieses Maß beschreibt die Menge des Informationsflusses zwischen zwei Elektroden durch Verwendung autoregressiver Modelle, um zu beurteilen, ob frühere Informationen in einer Elektrode bei der Vorhersage von aktuellen Informationen in einer anderen Elektrode helfen.

© Iris Feldhammer