Neuromethoden 2 Flashcards
When to use ERPs vs. fMRIs
- If you want to study the sequence of processes from 0-1000ms, use ERPs; if you want to differentiate between ventromedial and orbitofrontal PFC, use fMRI
- Tolerability: Infalnts and children, obese people, anxious people –> ERPs
- ERPs best for transient activity; fMRI best for sustained activity
- Brain areas more intrinsically meaningful than ERP components
EEG- Frequenzbänder
- Elektroden sitzen auf der Kopfhaut/den Haaren
- 10 peaks in 1 sec = 10 Hz (–> Alpha Wellen)
Major EEG Bands
- Delta (1-3Hz): Tiefschlaf-wellen (SWS Slow Wave Sleep)
- Theta (4-7Hz): vom Hippocampus (Gedächtnis, Lernen; aus Tierstudien bekannt) = Hippocampus- Aktivierung wird im EEG mit über dem Präfrontalen Kortex (PFC) detektiert
- Alpha (8-12Hz): Gedanken- Schweifen; Unaufmerksamkeit = spiegeln cortico- thalamisches Feedback wieder
- Beta (12-30Hz): geistig aktiv –> Wenn viel Beta,
dann wenig Alpha-Wellen; Kleiner und unregelmässiger als Alpha-Wellen - Gamma (30+Hz): sehr schnelle & sehr kleine Wellen => Vermutlich Feedbackloops innerhalb der direkt unter der Elektrode liegenden kortikalen Pyramidenzellen = zusätzlich auch oft schwer von Aktivierung durch Gesichtsmuskulatur zu unterscheiden
EEG-Frequenzbänder: Ganzheitliche Störungen - Gesund vs. Epileptischer Mensch zeigt:
- gesamtem EEG-Verlauf
- lässt erkennen, wann eine Störung (z.B. Epilepsie) eintritt, auch wenn diese noch nicht im Verhalten sofort erkennbar ist => Vorhersage
ERP-Komponenten: Event Code
Nummern-Kodierungen in den laufenden EEG-Daten, die den Start jedes Stimulus (e.g. Gesicht) bzw. Antwort (e.g. Tastendruck des Proband*in) markieren
ERP-Komponenten: Berg oder Tal
- Eine Komponente ist meist (nicht immer) ein Berg oder Tal in den ERP-Daten
- P = positive Komponenten
- N = negative Komponenten
- 1-3 : bezeichnet die Reihenfolge der jeweiligen Komponente:
- Bsp.: P3 = 3. positive Komponente nach ca. 300 ms nach Start des Stimulus
ERP-Komponenten: Bsp. die visuelle P1- Komponente bei Spatial Attention
- P1 ist eine visuelle stimulus-bezogene Aufmerksamkeitskomponente (Peak)
- Sobald ein Stimulus in den Kreis der Aufmerksamkeit fällt, wird er verstärkt im Vergleich zur restlichen Umgebung verarbeitet
- Die P1-Aktivierung findet sich über dem visuellen Kortex, kontralateral zur Seite des Stimulus
ERP-Komponenten: Bsp. die P3-Komponente - Oddball-Paradigma
- In einer Abfolge von vielen ähnlichen Stimuli (= Standard= e.g. Buchstaben), auch seltene andere Stimuli angeboten (= Deviant; e.g. Zahlen) präsentiert.
- Höhere P3-Aktivierung für deviant (selten) als für Standard (häufig) über centro- parietalen Gehirnarealen (= zentral mittig im Parietalkortex)
ERP-Komponenten: wozu ist ERP/EEG gut?
- Auch Reaktionszeiten (RKT) sind im ms-Bereich, aber sie geben nur das Endergebnis der
Stimulusverarbeitung an - ERPs können erklären, wie es zu diesem Endergebnis der Entscheidung (Reaktion) des Proband*in kam
ERP-Komponenten: Datensammlung vs. fMRI
- ERP liefert kontinuierliche Daten der Gehirnaktivierung zu jeder einzelnen Millisekunde, während fMRI über 4-6 Sekunden mittelt.
- Alle im Gehirn ablaufenden Prozesse, die von einer Stimuluspräsentation zur Entscheidung (z.B. Tastendruck) des Proband führen, können daher am besten mit hochzeitlauflösenden
Methoden (wie EEG/ERP oder MEG) beantwortet werden.
fMRI: Kombination mit ERP/EEG oder MEG kann was?
Bsp.: Reaktionszeitparadigmen:
Welche Gehirnprozesse laufen wo und in welcher Reihenfolge ab, damit der Proband*in schnell auf unvorhergesehene Ereignisse reagieren kann?
Was sind Metaanalysen?
Fasst die Daten von bisherigen Studien zusammen
2 Arten von Metaanalysen
1) Qualitativ
2) Quantitativ
Warum sind Metaanalysen sinnvoll?
Sehr großer Zuwachs an Neuroimaging-Studien
- Überblick geht verloren
- Häufige Frage der Forscher*innen: Zeigen Studien mit unterschiedlichen Paradigm, aber gleicher Thematik dieselbe Gehirnaktivierungen (z.B. Insula für negative Emotion)?
Was sind Qualitative Metaanalysen?
Literaturvergleich ohne Statistik
Nachteile qualitativer Metaanalysen
- Keine Statistik
- Keine Beachtung von
–>Unterschiedlicher Probandenzahl - ->Unterschiedlichem Studiendesign: z.B: wurden ängstliche Gesichtsausdrücke gegen ärgerliche oder glückliche verglichen?
Was sind Quantitative Metaanalysen (und wie gemacht)
- Statistische Vergleiche der Gehirnaktivierung
- bestimmte Funktion oder Gehirnregion untersucht
Was geht bei Metaanalysen in die Statistik mit ein? (3)
- Genaue Lokalisation (Voxel- Koordinaten)
- Genaue Aktivierungsgröße (wieviele Voxel
sind aktiviert) - Anzahl der Proband*innen der jeweiligen
Studien => Daten von Studien mit einer größeren Anzahl an Probanden/Patienten gehen mit größerem Gewicht ein
Funktionale Konnektivität beantwortet:
Wie neuronale Systeme miteinander interagieren
Funktionale Konnektivität: Koaktivierung Bedeutung
Während der Durchführung einer Aufgabe (= Funktion) im fMRI-Scanner sind meist
mehrere Gehirnareale gleichzeitig aktiviert
Funktionale Konnektivität für eine Aufgabe klärt:
Sind aktivierte Gehirnareale wirklich alle zu Bewältigung der Aufgabe nötig?
Oder sind sie nur aktiviert, weil der Proband eben gerade zum Beispiel unaufmerksam ist und seine Gedanken wandern lässt?
Wie wird funktionale Konnektivität gemessen?
- Vergleich des BOLD-Signals zweier gleichzeitig aktivierter Gehirnareale
Funktionale Konnektivität: Korrelationswert
Wie ähnlich sind sich die beiden BOLD-
Signale?
Funktionale Konnektivität: Korrelationswert interpretiert:
Je höher der Korrelationswert, desto
stärker arbeiten beide Gehirnareale
gemeinsam an der betreffenden Aufgabe
Funktionale Konnektivität: Korrelationswert gibt keine Auskunft über:
- die zeitliche Reihenfolge der Aktivierung
(erst A oder erst B?) - ob noch ein weiteres Gehirnareal C
involviert ist?
=> Dazu wäre z.B. Ergänzung mit ERP/EEG
(Zeit) bzw. DTI (Faserverbindung) nötig
Was ist ein Voxel?
- 3-dimensionaler Bildpunkt=> wie Pixel, aber hat zusätzlich noch Tiefe
- pro Voxel-Einheit des Gehirns kann man das BOLD-Signal (also Sauerstoffverbrauch) messen
Univariate (herkömmliche) Analyse bedeutet:
- Ein Gehirnareal wird als ein ganzheitliches Gebiet betrachtet
=> es wird die Aktivierung (BOLD- signal) gemittelt über alle Voxel betrachtet
=> Pro Stimulus erhält man 1 Aktivierung
Multivoxel (oder Multivariate)-pattern-analysis (MVPA) bedeutet:
- Ein Gehirnareal wird als ein aus vielen Voxeln (= 3D-Bildeinheiten= multivariates) Gebiet betrachtet
=> es wird die Aktivierung (BOLD- signal) für jeden Voxel ermittelt
=> Pro Stimulus erhält man entsprechend der Voxel-Zahl viele Aktivierungen = Voxel-Muster/Pattern
Zwei übliche Anwendungen der MVPA:
1) Decoding
2) Similarity/Dissimilarity
MVPA: Decoding
Welcher Stimulus passt zu dieser Gehirnaktivierung? z.B. Welcher Stimulus wurde vom Proband*in angeschaut?
MVPA: Decoding - Ablauf
1 - Training für Computer: Erstellen eines Computermodells aus fMRT-Daten von vielen Proband*innen: wie können die Voxel-Aktivierungen von Gesichtern / Häusern aussehen?
2 - Testdurchlauf: => Das Computermodell wird getestet: Die fMRT-Gehirnaktivierung (Voxelpattern) eines bisher noch nicht analysierten Hauses oder Gesichts wird dem Computer präsentiert.
–> Zu welchem der alten Muster ist die Korrelation
höher? Je höher die Korrelation, desto wahrscheinlicher, dass der Proband ein Bild dieser Kategorie sah
MVPA: Similarity/Dissimilarity
Wie ähnlich ist das Voxel-Muster (Voxel–pattern) zweier sich ähnelnder Stimuli?
z.B. menschliche Gesichter im Vergleich zu Giraffengesichtern?
MVPA: Similarity/Dissimilarity - Ablauf
1 - fMRI Messung: Je Stimulus wird das zugehörige Voxelpattern aus der Gehirnaktivierung bestimmt
2 - Korrelation der Voxelpattern aus fMRI: Die verschiedenen Voxelpattern werden miteinander verglichen (korreliert). Je höher der Korrelationskoeffizient, desto ähnlicher sind sich die Voxel-pattern. => Je ähnlicher heißt, das Gehirnareal kann nicht zwischen beiden Stimuli unterscheiden
MVPA: Darstellung von Un-/Ähnlichkeiten von Voxelpatterns verschiedener Stimuluskategorien
- Bilder eng zusammen
=> zeigen ein ähnliches Voxelpattern (Similarity) - Bilder weit entfernt
=> haben sehr unterschiedliche
Voxelpattern (Dissimilarity)
