DE10234676A1 - Procedure for electromagnetic modification of brain activity to cause predetermined mode of behavior using behavior model - Google Patents
Procedure for electromagnetic modification of brain activity to cause predetermined mode of behavior using behavior model Download PDFInfo
- Publication number
- DE10234676A1 DE10234676A1 DE10234676A DE10234676A DE10234676A1 DE 10234676 A1 DE10234676 A1 DE 10234676A1 DE 10234676 A DE10234676 A DE 10234676A DE 10234676 A DE10234676 A DE 10234676A DE 10234676 A1 DE10234676 A1 DE 10234676A1
- Authority
- DE
- Germany
- Prior art keywords
- brain activity
- model
- change
- calibration
- transmitter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 230000007177 brain activity Effects 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 134
- 238000012986 modification Methods 0.000 title claims description 22
- 230000004048 modification Effects 0.000 title claims description 22
- 230000005291 magnetic effect Effects 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims description 90
- 238000012360 testing method Methods 0.000 claims description 55
- 230000006399 behavior Effects 0.000 claims description 46
- 230000003542 behavioural effect Effects 0.000 claims description 43
- 230000000694 effects Effects 0.000 claims description 43
- 210000004556 brain Anatomy 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 230000001105 regulatory effect Effects 0.000 claims description 14
- 230000008451 emotion Effects 0.000 claims description 12
- 230000033228 biological regulation Effects 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 7
- 230000001953 sensory effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000008450 motivation Effects 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 206010063659 Aversion Diseases 0.000 claims description 2
- 230000009471 action Effects 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims description 2
- 230000002996 emotional effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000031864 metaphase Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 230000036632 reaction speed Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 2
- 239000013543 active substance Substances 0.000 claims 1
- 230000036528 appetite Effects 0.000 claims 1
- 235000019789 appetite Nutrition 0.000 claims 1
- 230000005684 electric field Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000012872 hydroxylapatite chromatography Methods 0.000 description 147
- 238000000537 electroencephalography Methods 0.000 description 34
- 238000013519 translation Methods 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 18
- 230000001537 neural effect Effects 0.000 description 18
- 238000001727 in vivo Methods 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 11
- 230000005672 electromagnetic field Effects 0.000 description 9
- 230000002401 inhibitory effect Effects 0.000 description 9
- 241000282414 Homo sapiens Species 0.000 description 8
- 230000010355 oscillation Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 7
- 238000011491 transcranial magnetic stimulation Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 238000007917 intracranial administration Methods 0.000 description 6
- 230000010363 phase shift Effects 0.000 description 6
- 206010010904 Convulsion Diseases 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000000638 stimulation Effects 0.000 description 5
- 230000003313 weakening effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000012528 membrane Substances 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 241000282412 Homo Species 0.000 description 3
- 239000004106 carminic acid Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000004148 curcumin Substances 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002739 subcortical effect Effects 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000002964 excitative effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 230000003924 mental process Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 230000000661 pacemaking effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000004173 sunset yellow FCF Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001136792 Alle Species 0.000 description 1
- 239000005711 Benzoic acid Substances 0.000 description 1
- 241000238366 Cephalopoda Species 0.000 description 1
- 208000019022 Mood disease Diseases 0.000 description 1
- 206010028347 Muscle twitching Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 239000000783 alginic acid Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004594 appetite change Effects 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000011668 ascorbic acid Substances 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003931 cognitive performance Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005520 electrodynamics Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000004672 jump response Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000002442 prefrontal cortex Anatomy 0.000 description 1
- 239000000473 propyl gallate Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000013548 repetitive transcranial magnetic stimulation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000000542 thalamic effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/02—Details
- A61N1/08—Arrangements or circuits for monitoring, protecting, controlling or indicating
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
- A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
- A61M2021/0055—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus with electric or electro-magnetic fields
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/08—Other bio-electrical signals
- A61M2230/10—Electroencephalographic signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/02—Details
- A61N1/04—Electrodes
- A61N1/0404—Electrodes for external use
- A61N1/0472—Structure-related aspects
- A61N1/0476—Array electrodes (including any electrode arrangement with more than one electrode for at least one of the polarities)
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Neurology (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Acoustics & Sound (AREA)
- Anesthesiology (AREA)
- Hematology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Description
Die Erfindung betrifft Verfahren und eine Vorrichtung für die modellbasierte gesteuerte oder geregelte elektromagnetische Modifikation von Hirnaktivität in vivo und die daraus resultierende Verhaltensmodifikation.The invention relates to methods and a device for the model-based controlled or regulated electromagnetic Modification of brain activity in vivo and the resulting behavior modification.
Definitionen:definitions:
Modellbasierte gesteuerte oder geregelte Modifikation bedeutet gezielte Veränderung oder Nichtveränderung von Hirnaktivität auf der Basis eines Verhaltenszieles, eines Verhaltensmodells, und eines Hirnaktivitätsmodells.Model-based controlled or regulated Modification means deliberate change or no change of brain activity on the basis of a behavior goal, a behavior model, and of a brain activity model.
Geregelt bedeutet, dass Beobachtungs-, Berechnungs-, und Modifikationsschritte in Rückkopplungsschleifen miteinander verbunden sind.Regulated means that observation, Calculation and modification steps in feedback loops with each other are connected.
Das vom Anwender zu benennende Verhaltensziel umfasst Art und Ausprägung eines bestimmten Verhaltens sowie dessen Dauerhaftigkeit.The behavior goal to be named by the user includes type and expression of a certain behavior and its permanence.
Verhalten bezieht sich auf jegliche spatiotemporale Kombination jeglicher potentiell validierbarer faktischer oder möglicher Zustände einer Person. Verhalten beinhaltet unter anderem, aber nicht ausschließlich, Wahrnehmung, Handlungen, Motivation, Aufmerksamkeit, Gedächtnis, Lernen, Bewusstsein, Emotionen, Denken, Kognition, mentale Zustände, Fähigkeiten, Persönlichkeitseigenschaften.Behavior refers to everyone spatiotemporal combination of any potentially validable factual or possible conditions one person. Behavior includes, but is not limited to, perception, Acts, motivation, attention, memory, learning, awareness, Emotions, thinking, cognition, mental states, skills, personality traits.
Verhalten basiert auf Hirnaktivität. Der Zusammenhang zwischen beiden wird im Rahmen eines Verhaltensmodells quantifiziert, dh. einer empirisch festgestellten Verknüpfung von bestimmtem Verhalten mit einer bestimmten Dynamik bestimmter Hirnaktivitätscharakteristika.Behavior is based on brain activity. The relationship between the two is quantified within the framework of a behavior model, ie. an empirically established link between certain behaviors with a certain dynamic of certain brain activity characteristics.
Hirnaktivitätscharakteristika sind aus Messwerten ermittelbare Kenngrößen von Hirnaktivität. Beispiele für Hirnaktivitätscharakteristika sind Potentialdifferenzen zwischen einer EEG-Elektrode und einer Referenzelektrode, oder der Bandbereich der über alle Elektroden ausgeprägtesten Frequenzen („Alpha-Band" oder ähnliches), oder der Ähnlichkeitsindex („similarity index", siehe [5]) der Messwerte eines MEG-Sensors.Brain activity characteristics are off Parameters of measurable values of Brain activity. examples for Brain activity characteristics are potential differences between an EEG electrode and a Reference electrode, or the band area of the most pronounced across all electrodes Frequencies ("alpha band" or similar), or the similarity index ( "Similarity index ", see [5]) of the measured values of an MEG sensor.
Ein Hirnaktivitätsmodell bezieht sich auf ein physiologisch basiertes Modell, welches Hirnaktivität vermittels der Dynamik von Hirnbestandteilen und/oder deren Wechselwirkungen beschreibt (das umfaßt z.B. Hodgkin-Huxley [24, FitzHugh-Nagumo], Wilson-Cowan [1], oder Jirsa-Haken [18]).A brain activity model refers to physiologically based model that mediates brain activity the dynamics of brain components and / or their interactions describes (which includes e.g. Hodgkin-Huxley [24, FitzHugh-Nagumo], Wilson-Cowan [1], or Jirsa hook [18]).
Konventionelle Modelle sind nicht spezifisch, sondern generisch, da Nichtobservable über Populationsmittelwerte geschätzt werden.Conventional models are not specific, but generic, because not observable about population means estimated become.
Eine Nichtobservable ist ein Parameter oder eine Variable eines generischen Modells, der/die in vivo nur mit erheblichem Aufwand – oder gar nicht – mit der nötigen räumlichen und zeitlichen Auflösung gemessen werden könnte. Nichtobservable bestimmen entscheidend die Hirndynamik, und schwanken zwischen Individuen und innerhalb eines Individuums bis zu einem Faktor von Einhundert. Generische Hirnaktivitätsmodelle machen keine Aussagen über direkte Fremdeinwirkung auf die Dynamik von Hirnbestandteilen, bestenfalls über indirekte Fremdeinwirkung durch Rezeptorstimulation, Deprivation, oder Läsionen.A non-observable is a parameter or a variable of a generic model that is in vivo only with considerable effort - or not at all - with the necessary spatial and temporal resolution could be measured. Unobservable determine the brain dynamics, and fluctuate between individuals and within an individual up to one Factor of one hundred. Generic brain activity models make no statements about direct ones External influence on the dynamics of brain components, at best via indirect ones External influence through receptor stimulation, deprivation, or lesions.
Die im folgenden verwendendeten,
im Regelfall spezifischen Hirnaktivitätsmodelle quantifizieren unter anderem
Fremdeinwirkung über
elektrische und/oder magnetische Felder, und basieren auf für einen
Anwender in einem Zeitintervall relevanten, mit Hilfe geeigneter
Verfahren ermittelten Nichtobservablen. Diese Hirnaktivitätsmodelle
umfassen für
jeden Hirnbestandteil in der Regel nichtlineare Differentialgleichungen
beispielsweise der Gestalt
Hierbei ist x Hirnaktivitätscharakteristikum, ? deren Zeitableitung, t Zeit, f Funktion unter anderem der Art des Bestandteils („lokale Parameter"), der Art und Umfang der sich über physiologische Verbindungen ausbreitenden Einwirkung anderer Bestandteile („endogener Input"), und der direkten Fremdeinwirkung auf den Hirnbestandteil („exogener Input"). Der endogene Input umfasst abhängig vom verwendeten Modell weitere („translokale") Parameter, wie bspw. Kopplungsstärken oder Verzögerungszeiten zwischen Bestandteilen.Here x is a brain activity characteristic, ? whose time derivation, t time, f function, among other things, of Art of the component ("local Parameters "), the type and scope of the physiological connections spreading influence of other components ("endogenous input"), and the direct external influence on the brain component ("exogenous Input "). Depending on the model used, the endogenous input includes further ("translocal") parameters, such as coupling strengths or delay times between components.
Fehlende oder unzureichende Spezifikation des Hirnaktivitätsmodells auf den jeweiligen Anwender führt zu einer breiten Streuung in diesem Fall weitgehend unbekannter Auswirkungen exogenen elektromagnetischen Inputs und somit zur Nichtanwendbarkeit entsprechender Verfahren außerhalb eines Bereichs neurologischer, psychiatrischer, oder psychologischer Schädigungen, in dem Zufallsauswirkungen gegen möglichen Behandlungserfolg abgewogen werden können.Missing or insufficient specification of the brain activity model leads to the respective user to a wide spread in this case largely unknown Effects of exogenous electromagnetic inputs and therefore inapplicability corresponding procedures outside an area of neurological, psychiatric, or psychological damage, where random effects are weighed against possible treatment success can be.
Elektromagnetisch bedeutet elektrische und/oder magnetische Größen und bezieht sich sowohl auf die Art der eingehenden Beobachtungsdaten (im wesentlichen elektromagnetische Korrelate der Hirnaktivität des Anwenders), als auch auf den wesentlichen Modus der Modifikation (beispielsweise per extrakranial erzeugtem veränderlichen Magnetfeld, welches mühelos das Kranium des Anwenders durchdringt und intrakranial Induktionsspannungen hervorruft, wodurch eine Einflußmöglichkeit auf die Hirnaktivität des Anwenders gegeben ist).Electromagnetic means electrical and / or magnetic quantities and relates both to the type of incoming observation data (essentially electromagnetic correlates of the brain activity of the user), and to the essential mode of modification (for example, by means of an extracranially generated changing magnetic field, which effortlessly generates the cranium of the Penetrates the user and causes intracranial induction voltages, which has an influence on the brain activity of the user given is).
In vivo bezieht sich auf die Verwendung des Verfahrens bei lebenden Anwendern, im Gegensatz zu Zellpräparaten, Hirnteilen, Computersimulationen oder ähnlichem, und stellt somit besondere Anforderungen sowohl im Hinblick auf die Komplexität der stattfindenden Hirnprozesse, als auch an die Beobachtungs-, Berechnungs- und Modifikationsgeschwindigkeit sowie Sicherheit des Verfahrens.In vivo refers to use the procedure for living users, in contrast to cell preparations, Brain parts, computer simulations or the like, and thus represents special requirements both with regard to the complexity of the taking place Brain processes, as well as the speed of observation, calculation and modification as well as security of the process.
Mit dem gegenwärtigen Stand der Technik ist modellbasierte gesteuerte oder geregelte elektromagnetische Modifikation von Hirnaktivität in vivo nicht möglich (das menschliche Gehirn besteht aus circa 1011 Neuronen und einer unbekannten Anzahl von Verbindungen zwischen diesen), und wurde bis dato weder in Betracht gezogen, noch versucht. Das gleiche gilt für die damit zusammenhängende Verhaltensmodifikation.With the current state of the art, model-based controlled or regulated electromagnetic modification of brain activity in vivo is not possible (the human brain consists of approximately 10 11 neurons and an unknown number of connections between them), and has not been considered or attempted to date , The same applies to the associated behavior modification.
Es gibt drei, wenige Überschneidungen aufweisende wissenschaftlich/ technische Entwicklungsrichtungen mit Bezug zu Hirnaktivität bzw. deren Veränderung:
- – einen nichtlineare Dynamik/neurale Netze/künstliche Intelligenz-Ansatz (im folgenden als "NA" bezeichnet), bei dem bestimmte Eigenschaften des lebenden menschlichen Gehirns in vereinfachter Weise nachgebildet werden sollen, um Maschinen mit ähnlichen Eigenschaften zu bauen (sog. „Neurocomputer"),
- – einen kontrolltheoretischen Ansatz (im folgenden als "CON" bezeichnet), in dem Prinzipien der mathematischen Kontrolltheorie auf engumschriebene Teile einer Gehirn-Körper-Einheit angewendet werden,
- – einen medizinischen Ansatz (im folgenden als "MED" bezeichnet), der sich mit praktisch-klinischen Verwendungszwecken von elektromagnetischen Feldern (im wesentlichen) hoher Feldstärken bei Menschen oder Tieren befasst.
- - a nonlinear dynamics / neural networks / artificial intelligence approach (hereinafter referred to as "NA"), in which certain properties of the living human brain are to be simulated in a simplified manner in order to build machines with similar properties (so-called "neurocomputers" )
- A control theory approach (hereinafter referred to as "CON") in which the principles of mathematical control theory are applied to narrowly defined parts of a brain-body unit,
- - A medical approach (hereinafter referred to as "MED"), which deals with practical clinical uses of electromagnetic fields (essentially) high field strengths in humans or animals.
Ein möglicher Grundbaustein von NA ist der neurale Oszillator, das heißt eine Entität, die zwischen oszillatorischem Verhalten und Ruhe wechseln kann, und die sich durchaus aus einem Ensemble kleinerer Entitäten zusamniensetzen kann (die aber nicht weiter betrachtet werden). NA befasst sich mit neuralen Netzen, das heißt kleinen (Größenordnung < 104) verbundenen Ensembles dynamischer Oszillatoren, und den Phänomenen, die in diesen Netzen auftreten (z.B. Gedächtnis oder Mustererkennung). Nachdem ursprünglich Funktionsprinzipien aus Nervensystemen von Lebewesen extrahiert wurden, bewegt sich NA zunehmend in Richtung künstlicher Systeme auf der Basis der extrahierten Prinzipien. Exemplarisch für diese Entwicklung ist [2].A possible basic building block of NA is the neural oscillator, i.e. an entity that can alternate between oscillatory behavior and rest, and that can be composed of an ensemble of smaller entities (which will not be considered further). NA deals with neural networks, i.e. small (order of magnitude <10 4 ) connected ensembles of dynamic oscillators, and the phenomena that occur in these networks (e.g. memory or pattern recognition). After functional principles were originally extracted from living organ nerve systems, NA is increasingly moving in the direction of artificial systems based on the extracted principles. An example of this development is [2].
CON bewegt sich in umgekehrter Richtung, nachdem dieser Ansatz mit der Anwendung linearer Kontrolle auf hinreichend einfache mechanische Systeme seinen Anfang nahm. Lineare Kontrolle auf nichtlineare respektive stochastische Systeme (wie z.B. ein menschliches Gehirn) anzuwenden, ist nicht nur ungeeignet, sondern auch potentiell gefährlich, da bei linearer Kontrolle die Kontrollkraft proportional zur angestrebten Veränderung ist (und somit sehr groß werden kann).CON moves in the opposite direction, after this approach with the application of linear control to sufficient simple mechanical systems started. Linear control to nonlinear or stochastic systems (such as a human brain) is not only unsuitable, but also potentially dangerous, because with linear control the control force is proportional to the desired one change is (and thus become very large can).
Kontrollverfahren lassen sich in modellbasierte und datenbasierte Verfahren einteilen. Die Qualität eines modellbasierten Verfahrens ist verknüpft mit der Eignung des Modells für das in Frage stehende Problem. Bis dato werden im Humanbereich oder bei Tieren keinerlei Hirnaktivitäts- oder Verhaltensmodelle eingesetzt.Control procedures can be in Classify model-based and data-based procedures. The quality of one model-based procedure is linked to the suitability of the model for the problem in question. To date, in the human area or no brain activity in animals or behavior models.
Die Qualität eines datenbasierten Verfahrens ist von der Einfachheit des zu kontrollierenden Systems abhängig (da der erste Schritt in einem datenbasierten Verfahren in der Regel die Rekonstruktion des Phasenraumes ist, in dem anschließend Suchverfahren erfolgen und Iterationen gerechnet werden – was bei höherdimensionalen Phasenräumen die konkrete Berechnung in Realzeit unmöglich macht. Ausnahme: zeitverzögerte Rückkopplung, bei der jedoch Wartezeiten bis zum Erreichen eines zu stabilisierenden Zielzustandes auftreten). Für eine gesteuerte oder geregelte elektromagnetische Modifikation von Hirnaktivität in vivo sind gegenwärtige Kontrollverfahren nicht anwendbar, da sich jeweils mehrere der folgenden Effekte summieren:
- – hohe bis unerfüllbar hohe Anforderungen an Speicherplatz und Rechnergeschwindigkeit,
- – potentiell beliebig lange Wartezeiten bis zum Erreichen eines Zielorbits,
- – intermittierende Ausbrüche aus dem Zielorbit in Systemen mit stochastischen Elementen,
- – Einschränkungen des Kontrollbereichs in Systemen, in denen nur aggregiertes Verhalten meßbar ist,
- – Einschränkungen des Kontrollbereichs in Systemen, in denen die Kontrollkraft verschmiert wird,
- – Betrag der Kontrollkraft im Inneren stark heterogener Systeme unbekannt.
- - high to unachievable high demands on storage space and computer speed,
- - potentially arbitrarily long waiting times until a target orbit is reached,
- Intermittent bursts from the target orbit in systems with stochastic elements,
- - restrictions of the control area in systems in which only aggregated behavior can be measured,
- - restrictions of the control area in systems in which the control force is smeared,
- - Amount of control power inside highly heterogeneous systems unknown.
MED beruht implizit auf einem mikroskopischen physiologischen Modell mit einzelnen Neuronen als Konstituenten der Hirnaktivität- die im folgenden "Einzelneuronen" genannt werden sollen. Demgemäß spielen in vivo nichtinvasiv nicht beobachtbare Größen wie Ionenkonzentrationen auf beiden Seiten der Zellmembran, Anzahl der Axone etc. eine wesentliche Rolle für die Berechnung der Anzahl der Nervenimpulse pro Zeiteinheit (fire rate). Für eine automatische, individualisierte, gesteuerte oder geregelte elektromagnetische Modifikation von Hirnaktivität in vivo ist das einzelneurale Paradigma (mit seinen 1011 Einzelneuronen und einer unbekannten Anzahl von Verbindungen zwischen diesen) ungeeignet. Infolgedessen wird der darauf basierte MED Ansatz durch die scheinbare Unerklärlichkeit beziehungsweise Zufälligkeit seiner klinischen Ergebnisse beeinträchtigt (für transkraniale Magnetstimulation – TMS – beispielsweise, siehe den Überblick [3]). Weitere hirnaktivitätsverändernde MED Verfahren sind intra- and extrakraniale Elektroschocks. Alle MED Verfahren zielen darauf ab, Neuronmembranen zu depolarisieren, und solcherart vermehrt Aktionspotentiale zu erzeugen (sogenannte "Stimulation").MED is implicitly based on a microscopic physiological model with individual neurons as constituents of brain activity - which will be called "individual neurons" in the following. Accordingly, in vivo non-invasively unobservable variables such as ion concentrations on both sides of the cell membrane, number of axons etc. play an essential role in calculating the number of nerve impulses per unit of time (fire rate). For an automatic, individualized, controlled or regulated electromagnetic modification of brain activity in vivo, the single-neurological paradigm (with its 10 11 single neurons and an unknown number of connections between them) is unsuitable. As a result, the MED approach based on it is affected by the apparent inexplicability or randomness of its clinical results pregnant (for transcranial magnetic stimulation - TMS - for example, see overview [3]). Other MED procedures that change brain activity are intra- and extracranial electroshocks. All MED methods aim to depolarize neuron membranes and thus to generate more action potential (so-called "stimulation").
In CON-Terminologie läßt sich die elektromagnetische Depolarisation von Einzelneuronen durch MED-Verfahren als "Versklavung" bezeichnen (wobei sensorische Versklavung durch rhythmische Lichtblitze, akustische Signale, o.ä. nicht betrachtet werden soll). Versklavung ist das Ergebnis der Anwendung künstlicher Signale hoher Intensität auf ein System, das dann während dieser Anwendung das von außen vorgegebene Signalmuster anstelle seines natürlichen Verhaltens übernimmt. In NA ist bekannt, dass unter schwacher Kopplung die Kommunikation in neuralen Netzen von der Kommensurabilität der Frequenzen abhängt, mit denen die beteiligten Neuronen oszillieren. Demzufolge bedingt lokales Versklaven mit einer nicht oder nur schwach kommensurablen Frequenz die Ausschaltung der versklavten Neuronen aus ihrer normalen Kommunikation, und erzeugt solcherart eine virtuelle Läsion. Gegenwärtige MED Verfahren betrachten virtuelle Läsionen als wesentlichen Effekt von TMS – der im einzelneuralen Paradigma unerklärlich ist.In CON terminology you can the electromagnetic depolarization of individual neurons using MED procedures referred to as "enslavement" (where sensory enslavement by rhythmic flashes of light, acoustic signals, etc. should not be considered). Enslavement is the result of applying high intensity artificial signals to a System that then during this application from the outside takes predetermined signal patterns instead of its natural behavior. In NA it is known that under weak coupling, communication in neural networks depends on the commensurability of the frequencies with which the participating neurons oscillate. Hence local Enslave with a frequency that is not commensurable or only slightly commensurable the elimination of the enslaved neurons from their normal communication, and so creates a virtual lesion. Current MED Procedures consider virtual lesions as an essential effect of TMS - the single-ural paradigm inexplicable is.
MED Verfahren betrachten die "Stimulation" als verbessert, wenn weniger hohe Intensität benötigt wird, um Einzelneuronen zum Feuern zu bewegen, beziehungsweise der von der Versklavung erfasste Raumbereich stärker eingegrenzt werden kann. Wiederholte Versklavung am gleichen medizinisch sinnvollen Lokus kann den Anwendungszeitraum überdauernde physiologische Veränderungen bedingen, die in einigen Fällen positiv sind (z.B. statistisch signifikante Verbesserung gewisser Typen klinischer Depressionen unter wiederholter TMS, siehe z.B. [3]).MED procedures consider "stimulation" than improved when less high intensity is needed to single neurons to move to fire, or the one caught by the enslavement Area stronger can be narrowed down. Repeated enslavement on the same medical meaningful locus can physiological outlast the application period changes condition, which in some cases is positive are (e.g. statistically significant improvement of certain types clinical depression with repeated TMS, see e.g. [3]).
In der Anwendung bei Menschen sind gegenwärtige Verfahren nur in zweierlei Hinsicht individualisiert: erstens beim Auffinden eines geeigneten Lokus der zu depotarisierenden Einzelneuronen, zweitens beim Auffinden eines Bezugswertes für die Stärke des zur Versklavung führenden elektromagnetischen Feldes (angegeben in Prozent einer "motor threshold"). Bei einem neueren MED Verfahren [4] wird TMS diagnostisch eingesetzt, um die individuelle Existenz oder Nichtexistenz physiologischer neuraler Verbindungen zwischen verschiedenen Hirngebieten, sowie, mit Einschränkungen, Übertragungsgeschwindigkeiten zwischen verschiedenen Hirngebieten festzustellen.In use in humans current The process is individualized only in two ways: firstly with Finding a suitable locus for the individual neurons to be depotized, secondly, finding a reference value for the strength of the one leading to enslavement electromagnetic field (specified as a percentage of a "motor threshold"). In a newer MED procedure [4], TMS is used diagnostically, about the individual existence or nonexistence of physiological neural connections between different brain areas, as well as, with restrictions, transmission speeds between different brain areas.
Gegenwärtige MED Verfahren dienen vorzugsweise medizinischen Verwendungszwecken, in denen die Nachteile einer Versklavung (bis hin zum unwahrscheinlichen Fall von Krampfanfällen) durch deren medizinische Effekte zumindest kompensiert werden. Gegenwärtige MED Verfahren umfassen lediglich passive Sicherheitsmaßnahmen wie Vermeidung hochfrequenter Versklavung, Ausschluss von Patienten mit Neigung zu epileptischen Anfällen, Abschalten des elektromagnetischen Feldes, falls ein Krampfanfall auftreten sollte.Current MED procedures serve preferably medical uses, in which the disadvantages enslavement (up to the unlikely case of seizures) whose medical effects are at least compensated. Current MED Procedures only include passive security measures such as avoiding high-frequency enslavement, excluding patients with a tendency to epileptic seizures, Switch off the electromagnetic field in the event of a seizure should occur.
Zusammenfassend: Mit gegenwärtigen Techniken und Verfahren kann eine modellbasierte, gesteuerte oder geregelte elektromagnetische Modifikation von Hirnaktivität in vivo weder erreicht werden, noch bewegen sich diese Techniken und Verfahren auf diese Erreichbarkeit hin: MED ist im einzelneuralen Paradigma verhaftet, NA bewegt sich auf den Bau künstlicher Systeme hin, und CON leidet an in-vivo Nichtanwendbarkeit bei komplexen heterogenen Systemen.In summary: With current techniques and method can be model-based, controlled or regulated electromagnetic modification of brain activity cannot be achieved in vivo, these techniques and procedures are still moving towards this accessibility hin: MED is stuck in the single-ural paradigm, NA is moving on building artificial Systems, and CON suffers from in vivo inapplicability to complex heterogeneous systems.
Aufgabe der vorliegenden Erfindung ist es, Verfahren und eine Vorrichtung für die modellbasierte, gesteuerte oder geregelte elektromagnetische Modifikation von Hirnaktivität in vivo und die daraus resultierende Verhaltensmodifikation zu schaffen.Object of the present invention is to process and an apparatus for model-based, controlled or regulated electromagnetic modification of brain activity in vivo and create the resulting behavior modification.
Die Aufgabe wird durch Verfahren mit den Merkmalen im Anspruch 1 und durch eine Vorrichtung mit den Merkmalen im Anspruch 44 gelöst. Vorteilhafte Ausgestaltungen der Erfindung sind in den Unteransprüchen angegeben.The task is accomplished through procedures with the features in claim 1 and by a device with the Features solved in claim 44. Advantageous embodiments of the invention are specified in the subclaims.
Die Verwendung eines Hirnaktivitätsmodells, sowie Ermittlung der individuellen, gegebenenfalls intraindividuellen und/oder zeitabhängigen Nichtobservablen, sowie Ermittlung der individuellen, gegebenenfalls intraindividuellen und/oder zeitabhängigen Übersetzungsoperatoren zwischen extrakranialem Signal und Kontrollkraft gestatten eine abgesicherte Intervention im Rahmen eines Steuer- oder Regelkreises, die wiederum ein zuverlässiges Erreichen eines Hirnaktivitätszieles bewirkt. Die Verwendung eines Verhaltensmodells gewährleistet, dass das Erreichen eines Hirnaktivitätszieles das Erreichen des individuellen Verhaltensziels des Anwenders bewirkt. Der Erfindung liegt die Erkenntnis zugrunde, dass mit Verhaltensmodellen der Zusammenhang zwischen Verhalten und der Dynamik von Hirnaktivitätscharakteristika quantifiziert wird, und mit geeignet individualisierten Hirnaktivitätsmodellen wiederum die Dynamik von Hirnaktivitätscharakteristika unter Angabe geeigneter Kontrollparameter quantifiziert wird, so dass eine zuverlässige Intervention zur Erreichung eines individuellen Verhaltenszieles möglich ist.The use of a brain activity model, and determination of the individual, possibly intra-individual and / or time-dependent Non-observables, as well as determination of the individual, possibly intra-individual and / or time-dependent translation operators between extracranial signal and control force allow one secured intervention within the framework of a control or regulating circuit, which in turn is a reliable one Achieve a brain activity goal causes. Using a behavioral model ensures that achieving a brain activity goal is achieving individual behavioral goal of the user. The invention is based on the knowledge that with behavior models the connection between behavior and the dynamics of brain activity characteristics is quantified, and with suitably individualized brain activity models again the dynamics of brain activity characteristics, specifying suitable ones Control parameters are quantified so that a reliable intervention is possible to achieve an individual behavioral goal.
Die Erfindung wird nachfolgend beispielhaft anhand der Zeichnungen erläutert. In den Zeichnungen zeigen:The invention is exemplified below explained using the drawings. The drawings show:
Vorrichtung:Contraption:
Die erfindungsgemäße Vorrichtung umfasst
- – eine oder mehrere Kopfeinheiten, verbunden mit
- – einer Zwischeneinheit, von denen eine oder mehrere verbunden sind mit
- – einer
Basiseinheit (
6 ).
- - one or more head units connected to
- - An intermediate unit, one or more of which are connected to
- - a base unit (
6 ).
Eine Kopfeinheit umfasst ein Meßsystem mit Vorrichtungen zur elektromagnetischen Messdatengewinnung („Sensoren"), Messdatenvorverarbeitung, und Messdatenweitergabe an die Zwischeneinheit, sowie ein Stellsystem mit Vorrichtungen zur Erzeugung von elektromagnetischen Feldern („Transmitter"), sowie eine Vorrichtung zur Umsetzung der von der Zwischeneinheit ausgehenden digitalen Steuerungs- bzw. Regelungsvorgaben in Transmittersignale. Eine Zwischeneinheit umfasst einen Rechner mit Software, mit der die unten näher erläuterten Verfahren zur Steuerung von Hirnaktivität bei nicht notwendiger Kalibrierung implementiert werden, sowie Verbindungen zu und von der Basiseinheit. Eine Basiseinheit umfasst einen Rechner, der erstens eine Datenbank mit den Modell- und Anwenderdaten enthält, und auf dem zweitens die übrigen unten näher dargestellten Verfahren implementiert sind. Zwischen- und Basiseinheit sind auf dem gleichen oder auf verschiedenen Rechnern lokalisiert.A head unit comprises a measuring system with devices for electromagnetic measurement data acquisition ("sensors"), Measurement data preprocessing and measurement data transfer to the intermediate unit, and an actuating system with devices for generating electromagnetic Fields ("transmitters"), and a device for implementing the intermediate unit outgoing digital control or regulation specifications in transmitter signals. An intermediate unit comprises a computer with software with which the below closer explained Procedure for controlling brain activity when calibration is not necessary be implemented, as well as connections to and from the base unit. A basic unit comprises a computer, which is a database containing the model and user data, and secondly the rest below shown in more detail Procedures are implemented. The intermediate and base units are open the same or localized on different computers.
Eine Ausgestaltung der Vorrichtung weist eine Kopfeinheit, eine Zwischeneinheit, und eine Basiseinheit auf. Die Kopfeinheit umfasst bspw. ein Meßsystem mit EEG-Kappe mit ihren extrakranialen Sensoren, Verbindungen zum Verstärker, Verstärker, Verbindungen zum A/D-Umsetzer, A/D-Umsetzer, Verbindungen zur Zwischeneinheit, sowie ein Stellsystem mit extrakranial befestigten stromführenden Spulen als Transmittern, steuerbarer Stromversorgung für diese Transmitter, nebst Verbindungen, D/A-Umsetzer, Verbindung von der Zwischeneinheit. Die Zwischeneinheit umfasst bspw. einen PC mit Bildschirm und Eingabetastatur , sowie Software, sowie Verbindungen zu und von der Basiseinheit. Die Basiseinheit umfaßt bspw. eine leistungsfähige Rechnereinheit.An embodiment of the device has a head unit, an intermediate unit, and a base unit. The head unit includes, for example, a measuring system with an EEG cap with its extracranial sensors, connections to the amplifier, amplifier, connections to the A / D converter, A / D converter, connections to the intermediate unit, and an actuating system with extracranially attached current-carrying coils as transmitters . controllable power supply for these transmitters, together with connections, D / A converter, connection from the intermediate unit. The intermediate unit comprises, for example, a PC with a screen and input keyboard, as well as software and connections to and from the base unit. The base unit includes, for example, a powerful computing unit.
Geeignete Sensoren sind beispielsweise EEG- oder MEG-Sensoren. Die MEG-Sensoren sind z.B. aus einem SQUID-Sensorelement mit geeigneter Auswertungseinrichtung zum Detektieren eines Magnetfeldes und Kühleinrichtung ausgebildet. Die EEG-Sensoren weisen z.B. zwei Elektroden zum Messen einer elektrischen Potenzialdifferenz auf.Suitable sensors are, for example EEG or MEG sensors. The MEG sensors are e.g. from a SQUID sensor element with a suitable evaluation device for detecting a magnetic field and cooling device educated. The EEG sensors e.g. two electrodes for measuring an electrical potential difference.
Eine vorteilhafte Ausgestaltung eines Sensors umfasst dessen teilweise oder vollständige elektrische und/oder magnetische Abschirmung gegenüber seiner Umgebung, soweit dadurch dessen Funktion nicht behindert wird.An advantageous embodiment of a Sensor includes its partial or complete electrical and / or magnetic shielding from its surroundings, as far as it does not hinder its function becomes.
Eine vorteilhafte Ausgestaltung der kopfnahen Teile des Meßsystems umfasst eine Vielzahl von Sensoren, die intra- und oder extrakranial verteilt sind, diese Vielzahl von Sensoren wird als Sensorgitter bezeichnet.An advantageous embodiment of the parts of the measuring system close to the head includes a variety of sensors that are intracranial or extracranial are distributed, this multitude of sensors is called a sensor grid designated.
Eine vorteilhafte Ausgestaltung eines extrakranialen Sensorgitters umfaßt dessen Fixierung bezüglich des Kraniums des jeweiligen Anwenders, sodass bei mehrfachem Auf- und Absetzen des Sensorgitters die Sensoren ihre jeweilige relative Position wieder einnehmen, beispielsweise durch Einpassen des Sensorgitters in einen Helm, dessen Innenseite die Kranialform des jeweiligen Anwenders nachbildet.An advantageous embodiment of a extracranial sensor grid includes its fixation with respect to the Crane of the respective user, so that with multiple opening and When the sensor grid is set down, the sensors change their relative position Take up the position again, for example by fitting the sensor grille in a helmet, the inside of which is the cranial shape of the user replicates.
Eine andere vorteilhafte Ausgestaltung des Sensorgitters umfaßt implantierte Elektroden.Another advantageous embodiment of the sensor grid implanted electrodes.
Eine vorteilhafte Ausgestaltung eines
extrakranialen Transmitters umfasst eine stromführende Spule mit para-, dia-,
oder ferromagnetischem Kern, wie in
Eine vorteilhafte Ausgestaltung eines extrakranialen Transmitters umfasst dessen Schutz gegen Verformung, beispielsweise durch Eingießen der stromführenden Teile in geeignetes Harz, oder Einbetten der stromführenden Teile in stabiles Isoliermaterial.An advantageous embodiment of a extracranial transmitter includes its protection against deformation, for example by pouring the live Parts in suitable resin, or embed the current carrying Parts in sturdy insulating material.
Eine vorteilhafte Ausgestaltung eines extrakranialen Transmitters umfasst Kühlvorrichtungen.An advantageous embodiment of a extracranial transmitter includes cooling devices.
Eine andere vorteilhafte Ausgestaltung eines intrakranialen Transmitters umfaßt implantierte Elektroden.Another advantageous embodiment an intracranial transmitter includes implanted electrodes.
Eine vorteilhafte Ausgestaltung eines Transmitters umfasst dessen teilweise oder vollständige elektrische und/oder magnetische Abschirmung gegenüber seiner Umgebung, soweit dadurch dessen Funktion nicht behindert wird.An advantageous embodiment of a Transmitter includes some or all of its electrical and / or magnetic shielding from its surroundings, so far thereby its function is not hindered.
Eine vorteilhafte Ausgestaltung der kopfnahen Teile des Stellsystems umfasst eine Vielzahl von Transmittern, die die intra- und oder extrakranial verteilt sind, diese Vielzahl von Transmittern wird als Transmittergitter bezeichnet.An advantageous embodiment of the parts of the positioning system close to the head comprise a large number of transmitters, that are intracranially or extracranially distributed, this multitude of transmitters is referred to as a transmitter grid.
Eine vorteilhafte Ausgestaltung eines extrakranialen Transmittergitters umfasst dessen Fixierung bezüglich des Kraniums des jeweiligen Anwenders, sodass bei mehrfachem Auf- und Absetzen des Transmittergitters die Transmitter ihre jeweilige relative Position wieder einnehmen, beispielsweise durch Einpassen des Transmittergitters in einen Helm, dessen Innenseite die Kranialform des jeweiligen Anwenders nachbildet.An advantageous embodiment of a extracranial transmitter grid includes its fixation with respect to the Crane of the respective user, so that with multiple opening and If the transmitter grid is set down, the transmitters set their relative values Take up position again, for example by fitting the transmitter grille into a helmet, the inside of which is the cranial shape of each Simulates the user.
Eine andere vorteilhafte Ausgestaltung des Transmittergitters umfaßt implantierte Elektroden.Another advantageous embodiment of the transmitter grating implanted electrodes.
Eine vorteilhafte Ausgestaltung der
kopfnahen Teile eines extrakranialen Mess- und Stellsystem umfasst
einen auf seiner Innenseite die Kranialform des jeweiligen Anwenders
nachbildenden Helm mit durch eine Trägerachse verlaufenden Verbindungskabeln,
wobei Sensor- und Transmittergitter im Inneren des Helms solcherart
fixiert sind, dass sich beide Gitter überlappen – i.e. sich in der Nachbarschaft
jedes Sensor hinreichend viele Transmitter befinden und umgekehrt.
Eine planare Projektion einer mechanischen Halterung dieser Ausgestaltung
zeigt
In einer anderen Ausgestaltung ist das Sensorgitter intrakranial, und der Helm enthält das extrakraniale Transmittergitter.In another embodiment the sensor grid intracranial and the helmet contains the extracranial transmitter grid.
In einer anderen Ausgestaltung ist das Transmittergitter intrakranial, und der Helm enthält das extrakraniale Sensorgitter.In another embodiment the transmitter lattice intracranial and the helmet contains the extracranial Sensor grid.
In einer anderen Ausgestaltung sind sowohl Sensor-, als auch Transmittergitter intrakranial.Are in another embodiment both sensor and transmitter grids intracranial.
In einer vorteilhaften Ausgestaltung läßt sich die Sensordichte eines extrakranialen Sensorgitters lokal verändern. In einer weiteren vorteilhaften Ausgestaltung geschieht diese Veränderung automatisiert, gesteuert bzw. geregelt über die Zwischeneinheit.In an advantageous embodiment let yourself locally change the sensor density of an extracranial sensor grid. In In a further advantageous embodiment, this change takes place automated, controlled or regulated via the intermediate unit.
In einer vorteilhaften Ausgestaltung
lassen sich die Transmitterdichte eines extrakranialen Transmittergitters
lokal verändern
und/oder die Neigungswinkel jedes einzelnen Transmitters zum Kranium
des Patienten verändern.
Eine planare Projektion einer mechanischen Halterung dieser Ausgestaltung
zeigt
Einrichtung, Funktionstests und Wartung der extrakranialen Vorrichtung erfolgen durch Techniker, die keine medizinische Ausbildung besitzen müssen.Setup, functional tests and maintenance The extracranial device is done by technicians who have no must have medical training.
In einer vorteilhaften Ausgestaltung ist die Vorrichtung mit konventionellem Schutz vor Stromausfällen und/oder Spannungsschwankungen versehen.In an advantageous embodiment is the device with conventional protection against power failures and / or Provide voltage fluctuations.
In einer vorteilhaften Ausgestaltung laufen zusätzlich auf der Zwischeneinheit real-time und automatisch Verfahren zur Dichte- und Positionierungsoptimierung von Sensoren und Transmittern.In an advantageous embodiment run additionally on the intermediate unit real-time and automatic procedures for Density and positioning optimization of sensors and transmitters.
In einer vorteilhaften Ausgestaltung laufen zusätzlich auf der Zwischeneinheit real-time und automatisch Verfahren zur Beseitigung von Artefakten, das heißt nichtzufälligen Messwertverzerrungen, die durch künstlich erzeugte Magnetfelder, Augenbewegungen, Muskelzuckungen u.a. entstehen.In an advantageous embodiment run additionally on the intermediate unit real-time and automatic procedures for Elimination of artifacts, i.e. non-random distortion of measured values, by artificially generated magnetic fields, eye movements, muscle twitches etc. arise.
Der Zusammenhang von Kopfeinheit,
Zwischeneinheit, und Basiseinheit in der einfachsten Ausgestaltung
ist in
Verfahren:Method:
Das erfindungsgemäße Verfahren umfasst im einzelnen
die nachstehend angegebenen, im folgenden näher erläuterten und mit „S" gekennzeichneten
Verfahrensschritte (Ein- und Ausgangsdaten der Schritte sind mit „D" gekennzeichnet).
Der Zusammenhang der Verfahrensschritte S 500, S 800, S 2000 und
S 3000 ist in
S 500 In diesem Schritt werden die
für ein
zuverlässiges
Erreichen des genannten Verhaltenszieles (D 2000) notwendigen Größen sowie
deren Dynamik mit Hilfe eines Verhaltensmodells (D 3000) spezifiziert.
Das
Verhaltensmodell stellt den Zusammenhang zwischen Verhalten und
dem Verlauf bestimmter HAC dar. („HAC" steht im folgenden sowohl
für Singular
als auch für
Plural von „Hirnaktivitätscharakteristikum").
Beispiele
für HAC:
von einem Sensor (Elektrode plus Referenzelektrode) gemessene Potentialdifferenzen, oder
Leistungsspektrum des vom Sensor innerhalb eines Zeitfensters empfangenen
Signals, oder Quotient von Beta (13–30 Hz) – EEG-Aktivität zu Alpha
(8–12
Hz) – EEG-Aktivität für diesen
Sensor (s.a. [11 ]).
Beispiel für ein Verhaltensmodell: Reduziertes
Davidson-Modell (siehe z.B. [11]), wonach positive Emotionen mit
einem höheren
Quotienten von Beta (13–30
Hz)-EEG-Aktivität
zu Alpha (8–12
Hz)-EEG-Aktivität
im linksfrontalen Kortex einhergehen.
Das Verhaltensmodell
(D 3000) gestattet es, das Verhaltensziel (D 2000), welches grundsätzlich die
Dauerhaftigkeit des gewünschten
Verhaltens umfasst, in einen Soll-Verlauf des oder der HAC (D 2100)
umzuwandeln, und somit zu quantifizieren.
Aus Art und Anzahl
der HAC ergeben sich Mindestanforderungen an die Apparatur (D 4000).
Beispiel: Zum Errechnen des Quotienten von Beta (13–30 Hz) – EEG-Aktivität zu Alpha
(8–12
Hz) – EEG-Aktivität im linksfrontalen
Kortex benötigt
man zumindest eine EEG-Elektrode (plus eine Referenzelektrode).
Zum kontrollierten Erreichen des Soll-Verlaufs des o.g. HAC benötigt man
zumindest einen Transmitter.S 500 In this step, the quantities necessary for the reliable achievement of the stated behavior goal (D 2000) and their dynamics are specified with the help of a behavior model (D 3000).
The behavior model represents the connection between behavior and the course of certain HAC. ("HAC" in the following stands for both singular and plural for "brain activity characteristic").
Examples of HAC: potential differences measured by a sensor (electrode plus reference electrode), or power spectrum of the signal received by the sensor within a time window, or quotient of beta (13–30 Hz) - EEG activity to alpha (8–12 Hz) - EEG Activity for this sensor (see also [11]).
Example of a behavior model: Reduced Davidson model (see eg [11]), according to which positive emotions with a higher quotient from beta (13–30 Hz) EEG activity to alpha (8–12 Hz) EEG activity in the left front Cortex go along.
The behavior model (D 3000) allows the behavior goal (D 2000), which basically includes the durability of the desired behavior, to be converted into a target course of the HAC (D 2100), and thus quantified.
The type and number of HAC results in minimum equipment requirements (D 4000). Example: To calculate the quotient from beta (13–30 Hz) - EEG activity to alpha (8–12 Hz) - EEG activity in the left-frontal cortex you need at least one EEG electrode (plus a reference electrode). At least one transmitter is required to achieve the desired course of the above-mentioned HAC in a controlled manner.
S 800 Die verwendeten HAC müssen aus
den Variablen des verwendeten generischen Hirnaktivitätsmodells
(D 1000) berechenbar sein.
Beispiel: Auf Fourier-Zerlegung
basierende HAC für
ein umgrenztes Hirngebiet sind aus der Dynamik der neuralen Oszillatoren
des Wilson-Cowan-Modells (siehe z.B. [1]) berechenbar.
Aus
den HAC ergeben sich Mindest-Kalibrierungsanforderungen (D 1100)
bezüglich
des verwendeten generischen Modells. Je weniger robust sich die
Berechnung der HAC gestaltet, desto stärkere Anforderungen sind an
die Kalibrierung zu stellen. Falls die HAC auf gekoppelten, nicht-robusten
Größen verschiedener örtlicher Herkunft
basieren, ist die lokale Kalibrierung durch translokale zu ergänzen. In
jedem Fall sind Art (bspw. „keine,
lokal, translokal", D 1110) und Umfang (bspw. Liste der Sensoren
sowie Transmitter, D 1120) zu benennen.
Beispiele: Für den robusten,
nichtlinearen Ähnlichkeitsindex
(siehe bspw. [5]) ist eine Kalibrierung nicht unbedingt erforderlich.
Für den
o.g. Beta/Alpha-Quotienten ist lokale Kalibrierung des Wilson-Cowan-Modells
erforderlich. Bei komplexen kognitiven Leistungen (bspw. musischer
Kreativität,
s. [19]) ist in der Regel translokale Kalibrierung erforderlich.S 800 The HAC used must be calculable from the variables of the generic brain activity model used (D 1000).
Example: HACs based on Fourier decomposition for a limited brain area can be calculated from the dynamics of the neural oscillators of the Wilson-Cowan model (see eg [1]).
The HAC results in minimum calibration requirements (D 1100) with regard to the generic model used. The less robust the calculation of the HAC is, the greater the demands on the calibration. If the HAC are based on coupled, non-robust variables from different local origins, the local calibration must be supplemented by translocal ones. In any case, the type (eg "none, local, translocal", D 1110) and scope (eg list of sensors and transmitters, D 1120) must be named.
Examples: Calibration is not absolutely necessary for the robust, non-linear similarity index (see, for example, [5]). Local calibration of the Wilson-Cowan model is required for the above beta / alpha quotient. In the case of complex cognitive performance (e.g. artistic creativity, see [19]), translocal calibration is usually required.
S2000 Kalibrieren umfaßt das Ermitteln
individueller, gegebenenfalls zeitspezifischer Werte für die im generischen
Hirnaktivitätsmodell
aus Populationsmittelwerten geschätzten Parameter, endogenen
Input, sowie die Quantifizierung des ebenfalls individuellen, gegebenenfalls
zeitspezifischen, exogenen Einflusses elektromagnetischer Felder
auf Hirnaktivität.
(„Elektromagnetisch"
steht für „elektrisch
und/oder magnetisch" und wird im folgenden mit „EM" abgekürzt.)
Kalibrieren resultiert
in einem spezifischen Hirnmodell, das exogenen Input als Kontrollvariable
in den Gleichungen des Modells quantitativ erfasst. Kalibrieren
ist näher
ausgeführt
in
Man unterscheidet
im einfachsten Fall lokales (siehe
Eine Modellmode ist eine Lösung der
Differentialgleichungen des Hirnaktivitätsmodells für einen Satz von Nichtobservablen,
d.h. von Parametern, endogenen und exogenen Inputs. Aus jeder Modellmode
sind theoretische HAC-Verläufe
(HAC-Modellmoden)
berechenbar. Da HAC i.d.R. vereinfachend wirken, ist es möglich, dass
mehrere Modellmoden in ähnlichen
(d.h. innerhalb von Fehlerschranken nicht unterscheidbaren) HAC-Modellmoden
resultieren. Ebenso ist es möglich,
dass mehrere Sätze
von Nichtobservablen in der gleichen Modellmode resultieren. Dieser
Zusammenhang zwischen HAC-Modellmoden,
Modellmoden, und Sätzen
von Nichtobservablen tritt analog auch in Eichtheorien auf, wie
bspw. Elektrodynamik (entsprechend einem HAC hier bspw. „Energiedichte
in einem Raumsektor", entsprechend der Modellmoden verschiedene elektrische
und magnetische Felder, die diese Energiedichte generieren, und
entsprechend den Sätzen
von Nichtobservablen verschiedene Potentiale, die wiederum den elektrischen
magnetischen Feldern zu Grunde liegen können).
Modellmoden und
ggf. HAC-Moden sind in einer Datenbank gespeichert und/oder schnell
berechenbar. Es sind nur endlich viele Sätze von Nichtobservablen gespeichert
(Gitter), desgleichen für
Modellmoden und HAC-Modellmoden. Bei Bedarf besteht die Möglichkeit,
das Gitter zu verfeinern und/oder zu erweitern (bspw. durch neue
Parametersätze
und/oder neue Arten und/oder neue Koeffizienten endogenen und/oder
exogenen Inputs).
Es ist möglich,
dass eine Mode auf dem Weg von ihrem Träger zum jeweiligen Sensor Abschwächungen und/oder
Verzerrungen und/oder Phasenverschiebungen unterliegt. (Als „Träger" einer
Mode wird dasjenige Neuronenensemble definiert, dessen Aktivität die betreffende
Mode erzeugt). Das am jeweiligen Sensor ankommende Bild der Mode
wird als Bildmode bezeichnet, analog für zugehörige HAC-Moden.
In dem
o.g. Ist-Verlauf von HAC werden die gemäß a-priori Annahmen (D 1040,
Dekomposition gemäß S 2130
(s.
Hilfreich für die Praktikabilität des Verfahrens
ist die Beschränkung
auf die Untersuchung relevanter HAC- Modellmoden. Eine in den Ist-Verläufen aufgefundene
HAC-Modellmode soll „relevant"
heißen,
wenn sie im Ist-HAC-Verlauf oberhalb vordefinierter Schwellenwerte
für Rauschen,
Messfehler, o.ä.
festgestellt werden kann.
Zweites Ziel der lokalen Kalibrierung
ist es, für
jede Hirnaktivität
im Messbereich jedes Sensors herauszufinden, wie diese durch von
zumindest einem Transmitter erzeugte exogene EM Felder beeinflusst
werden kann (dargestellt in
Aus
den in
Aus diesen
Parametersätzen
mit endogenem Input (D 2400) werden nun durch Testen (Senden von
Testsignalen mit Hilfe von Transmittern) diejenigen Sätze von
Nichtobservablen herausgefunden, die die jeweilige HAC-Modellmode
mit Testsignal erklären.
Dieses umfasst es, mit Hilfe des Testsignals zu ermitteln, wie sich das
Transmittersignal in exogenen Input übersetzt, das heißt, in einen
Bestandteil der Modellgleichungen. Sobald dieses geklärt ist,
wird der Einfluss des exogenen Signals auf die entsprechende Modellmode
respektive HAC-Modellmode
berechenbar.
Ein Testsignal ergibt sich im einfachsten Fall
aus den möglichen
endogenen und exogenen Inputs (umfassend: konstant, oszillierend,
mit Elementarloops, dh. zeitverzögerter
Verwendung eines Messsignals als Transmittersignal, und viele andere).
Das
Testsignal wird in das generische Hirnmodell wie folgt integriert:
man ersetze „Input"
in den Modellgleichungen durch „endogenen plus exogenen Input".
Exogener
Input := Übersetzungsoperator(Transmittersignal)
Der Übersetzungsoperator Ü stellt
den Zusammenhang zwischen exogenem, physikalisch messbarem Signal und
Kontrollvariablen in den Gleichungen des spezifischen Hirnmodells
dar. Je nach Parametersatz und endogenem Input, die der einzelnen
Mode unterliegen, sowie Gestalt und Amplitude des Transmittersignals,
verändern
verschiedene Werte der Kontrollvariable die betreffende Mode, was
wiederum physikalisch messbar ist.
Ein Testsignal hat die Aufgabe,
zwischen verschiedenen Sätzen
von Parametern, endogenen Inputs, und ggf. Übersetzungsoperatoren für die betrachtete
HAC-Mode zu trennen. Ein Testsignal ist (wie jedes Transmittersignal)
gekennzeichnet durch eine externe Referenzgröße, sowie eine i.d.R. zeitabhängige Gestalt
am Ort des Transmitters, in den von den Gleichungen des Hirnaktivitätsmodells
beschriebenen Variablen, und eine – möglicherweise einelementige – Folge
von Amplitudenmultiplikatoren.
Jedes Transmittersignal (und
damit auch jedes Testsignal) wird hier i.d.R. in Hybridnotation
angegeben, d.h. ausgedrückt
in den Variablen des Hirnaktivitätsmodells,
mit einer Folge von Amplitudenmulitplikatoren, sowie unter Angabe
einer externen, die Signalerzeugung spezifizierenden Kenngröße.
Beispiel:
Extrakraniale Erzeugung eines Magnetfeldes mit 0.01 Tesla mit Hilfe
einer von einem Strom der Stärke
I0 durchflossenen Spule. Wenn die Gestalt
der bezüglich
einer gewählten
Spannungseinheit auf Amplitude 1 normierten Gestalt der durch die
zeitlichen Änderungen
des Magnetfelds induzierten Spannung sin(2*Pi*t*5/1000) ist (Spannung
ist als Variable des Hirnaktivitätsmodells
angenommen, t ist Zeit in Millisekunden), so ergibt sich bei sonst
gleichen Bedingungen bei Strömen
der Stärke
I0, 2*I0, 4*I0, 8*I0 folgende
Signalnotation: (0.01T, sin(2*Pi*t*5/1000), (1,2,4,8)).S2000 calibration comprises the determination of individual, possibly time-specific values for the parameters, endogenous input, estimated in the generic brain activity model from population mean values, and the quantification of the likewise individual, possibly time-specific, exogenous influence of electromagnetic fields on brain activity. ("Electromagnetic" stands for "electrical and / or magnetic" and is abbreviated to "EM" below.)
Calibration results in a specific brain model that quantitatively captures exogenous input as a control variable in the model's equations. Calibration is detailed in
In the simplest case, a distinction is made between local (see
A model mode is a solution of the differential equations of the brain activity model for a set of non-observables, ie parameters, endogenous and exogenous inputs. Theoretical HAC curves (HAC model modes) can be calculated from each model mode. Since HAC usually have a simplifying effect, it is possible that several model modes result in similar (ie indistinguishable within error bounds) HAC model modes. It is also possible that several sets of non-observables result in the same model mode. This connection between HAC model modes, model modes, and sets of non-observables also occurs in calibration theories, such as electrodynamics (corresponding to a HAC here, for example, "energy density in a space sector", corresponding to the model modes different electrical and magnetic fields that this energy density generate, and according to the sets of non-observables different potentials, which in turn can be the basis of the electric magnetic fields).
Model modes and possibly HAC modes are stored in a database and / or can be calculated quickly. There are only a finite number of sets of non-observables stored (grids), the same for model modes and HAC model modes. If necessary, there is the possibility of refining and / or expanding the grid (for example by means of new parameter sets and / or new types and / or new coefficients of endogenous and / or exogenous inputs).
It is possible that a mode on the way from its wearer to the respective sensor is subject to weakening and / or distortion and / or phase shifts. (The "carrier" of a mode is defined as the neuron ensemble whose activity the relevant mode generates.) The image of the mode arriving at the respective sensor is referred to as the image mode, analogously for associated HAC modes.
In the above-mentioned actual course of HAC, the a priori assumptions (D 1040,
Decomposition according to S 2130 (see
The limitation to the examination of relevant HAC model modes is helpful for the practicability of the method. A HAC model mode found in the actual curves is said to be "relevant" if it can be determined in the actual HAC curve above predefined threshold values for noise, measurement errors, or the like.
The second aim of the local calibration is to find out for each brain activity in the measuring range of each sensor how this can be influenced by exogenous EM fields generated by at least one transmitter (shown in
From the in
From these parameter sets with endogenous input (D 2400), those sets of non-observables which explain the respective HAC model mode with the test signal are now found out by testing (sending test signals with the aid of transmitters). This includes using the test signal to determine how the transmitter signal translates into exogenous input, that is, into a component of the model equations. As soon as this has been clarified, the influence of the exogenous signal on the corresponding model mode or HAC model mode can be calculated.
In the simplest case, a test signal results from the possible endogenous and exogenous inputs (comprising: constant, oscillating, with elementary loops, ie the time-delayed use of a measurement signal as a transmitter signal, and many others).
The test signal is integrated into the generic brain model as follows: replace "input" in the model equations with "endogenous plus exogenous input".
Exogenous input: = translation operator (transmitter signal)
The translation operator Ü represents the relationship between the exogenous, physically measurable signal and control variables in the equations of the specific brain model. Depending on the parameter set and endogenous input that are subject to the individual mode, as well as the shape and amplitude of the transmitter signal, different values of the control variable change the relevant mode , which in turn is physically measurable.
A test signal has the task of separating between different sets of parameters, endogenous inputs and, if necessary, translation operators for the HAC mode under consideration. A test signal (like every transmitter signal) is characterized by an external reference variable, as well as a generally time-dependent form at the location of the transmitter, in the variables described by the equations of the brain activity model, and a - possibly one-element - sequence of amplitude multipliers.
Each transmitter signal (and therefore also every test signal) is usually given here in hybrid notation, ie expressed in the variables of the brain activity model, with a sequence of amplitude multipliers, and by specifying an external parameter that specifies the signal generation.
Example: Extracranial generation of a magnetic field with 0.01 Tesla with the help of a coil through which a current of strength I 0 flows. If the shape of the shape normalized to amplitude 1 with respect to a selected voltage unit is the voltage induced by the temporal changes in the magnetic field sin (2 * Pi * t * 5/1000) (voltage is assumed to be a variable of the brain activity model, t is time in milliseconds) , the same signal notation results for currents of magnitude I 0 , 2 * I 0 , 4 * I 0 , 8 * I 0 under otherwise identical conditions: (0.01T, sin (2 * Pi * t * 5/1000), ( 1,2,4,8)).
Weiteres Beispiel: Mit z(t) als auf
Spannungsamplitude 1 normiertem Systemverhalten ergibt sich beispielsweise
ein um 10 Millisekunden rückgekoppeltes
Signal mit Stromstärken
analog zu vorher als: (0.01 T, z(t-10), (1,2,4,8)).
Die Zeitdauer
der Teilsignale (bei I0, bei zwei mal I0, etc.) richtet sich nach dem gewünschten
Effekt (bspw. transient versus Grenzzyklus), ebenso die möglichen
Pausen zwischen je zwei Teilsignalen.
Der Übergang vom Transmittersignal
zum Signal am Träger
der jeweiligen Mode ist Gegenstand von Einflussinvarianten und -annahmen
(D 1050).
Die möglichen
Amplitudensequenzen unterliegen technischen und/oder gesundheitlichen
Rahmenbedingungen (D 4100, D 4200).
Im einfachsten Fall gibt
es beispielsweise zwei verschiedene Sätze von Parametern und endogenen
Inputs, die zu verschiedenen Modellmoden führen, aber zu ähnlichen
HAC-Modellmoden.
Das heißt,
durch bloße
Betrachtung von HAC kann nicht entschieden werden, welcher Satz
von Nichtobservablen der betreffenden Hirnaktivität unterliegt.
Also wird zu einer Gestalt des Testsignals eine Folge von Amplitudenmultiplikatoren
mit Hilfe des generischen Hirnmodells durch Einsetzen der beiden
Sätze numerisch
solcherart berechnet (S 2160), dass unter a priori Annahmen für den Übersetzungsoperator
(bspw. Kombination von Phasenverschiebung und Abschwächung des
Signals) mit Hilfe des Testsignals Modellmoden erzeugt werden, deren
resultierende HAC-Modellmoden für
beide Sätze
verschieden sind.
Aus dieser numerischen Berechnung ergibt
sich i.d.R. eine Menge möglicher
Gestalten für
Testsignale, mit jeweils einer Folge möglicher Amplitudenmultiplikatoren.
Aus dieser Menge wird dann mit Hilfe vordefinierter Kriterien (bspw.
minimale Störung
aller auftretenden Hirnaktivitäten
außer
der jeweils zu untersuchenden Mode durch das Testsignal) ein optimales
Testsignal ausgewählt.
Man
beginnt mit dem Senden des Signals (S 2170) mit der ersten Amplitude
der Sequenz, misst mindestens mit dem betrachteten Sensor S; und
höchstens
mit allen Sensoren des Sensorgitters (s. z. B.
Anschließend erfolgt
die Dekomposition des Ist-HAC-Verlaufs nach HAC-Modellmoden mit
exogenem Input (S 2135). Hierfür
sind nur Parametersätze
und endogene Inputs aus D 2400 (s.
Falls
diese Dekomposition mehrere bestapproximierende Sätze von
Nichtobservablen liefert, so ist ein weiteres Testsignal zu errechnen,
und die auf S 2160 folgende Schleife erneut zu durchlaufen, wobei
dann bei S 2135 nicht mehr die Sätze
von Parametern und endogenen Inputs aus D 2400 berücksichtigt
werden, sondern D 2410 (s.
Insgesamt
ist nach Abschluss der lokalen Kalibrierung bekannt,
- – welche Modellmoden im Messbereich eines Sensors liegen,
- – welcher Parametersatz und welcher endogene Input die jeweilige Modellmode erzeugen,
- – wie die jeweilige Modellmode zu beeinflussen ist.
Zusätzlich ist es im Anschluß an lokales Kalibrieren im Schritt S 2300 möglich, identische Träger von Modellmoden zu identifizieren.
Für Akl als eine dem Sensor Sk zugeordnete Mode, gekennzeichnet durch Parameter Pkl endogenen Input Ikl und Übersetzungsoperatoren Ükl,x , und Amn als eine dem Sensor Sm zugeordnete Mode, gekennzeichnet durch Parameter Pmn, endogenen Input Imn und Übersetzungsoperatoren Ümn , χ (χ Numerierung der Transmitter) gilt: wenn alle Pkl gleich den entsprechenden Pmn sind, und Ikl gleich Imn, dann sind beide Moden identisch. Diese identischen Moden haben nicht denselben Träger, wenn es einen Transmitter Tχ gibt, so dass Ükl,χ ungleich Ükn,χ und/oder Üml,χ ungleich Ümn,χ ist. Verfahrensschritt S 2300 ist nicht essentiell, bewirkt aber eine mögliche Verkleinerung der Funktionalmatrix (D 2410, s.
Ziel translokaler Kalibrierung (S 2400) ist es, Art und Umfang des Einflusses anderer Moden und/oder sensorischen Inputs auf eine Mode festzustellen (Indirekte Fremdeinwirkung, ie. Darbietung visueller, akustischer, taktiler, und anderer Reize erfolgt über das sensorische System, bedingt Verzögerungen, und wird als Teil des endogenen Inputs modelliert). Werkzeug hierfür ist die „Funktionalmatrix": wenn insgesamt n verschiedene Modellmoden im Messbereich mindestens eines der Sensoren aufgefunden wurden, so ist diese Funktionalmatrix eine n*n Matrix , in deren (i,j)-ter Zelle ein Eintrag zu finden ist, wenn die Mode i auf die Mode j einen nachweisbaren Einfluss hat. Der Eintrag quantifiziert diesen Einfluss, sodass in den Gleichungen des Hirnmodells für die Mode j „endogener Input" ersetzt wird durch „gegebenenfalls zeitverzögerte Funktion der i-ten Mode plus sonstiger endogener Input".
Das Verfahren zum Füllen benötigter Teile der Funktionalmatrix ist in
The duration of the partial signals (for I 0 , for two times I 0 , etc.) depends on the desired effect (e.g. transient versus limit cycle), as well as the possible pauses between two partial signals.
The transition from the transmitter signal to the signal on the carrier of the respective mode is subject to invariant influences and assumptions (D 1050).
The possible amplitude sequences are subject to technical and / or health conditions (D 4100, D 4200).
In the simplest case, for example, there are two different sets of parameters and endogenous inputs that lead to different model modes, but to similar HAC model modes. That is, by simply considering HAC, it cannot be decided which set of non-observables is subject to the brain activity in question. So for a shape of the test signal, a sequence of amplitude multipliers is calculated numerically using the generic brain model by inserting the two sentences (S 2160) in such a way that assumptions for the translation operator (e.g. combination of phase shift and attenuation of the signal) are made using a priori of the test signal, model modes are generated whose resulting HAC model modes are different for both sets.
This numerical calculation usually results in a number of possible shapes for test signals, each with a sequence of possible amplitude multipliers. From this set, an optimal test signal is then selected with the aid of predefined criteria (for example, minimal disturbance of all brain activities that occur, apart from the mode to be examined by the test signal).
One begins to send the signal (S 2170) with the first amplitude of the sequence, measures at least with the sensor S considered; and at most with all sensors of the sensor grid (see e.g.
The actual HAC curve is then decomposed according to HAC model modes with exogenous input (S 2135). Only parameter sets and endogenous inputs from D 2400 (see
If this decomposition yields several best-approximating sets of non-observables, then another test signal has to be calculated and the loop following S 2160 has to be run through again, with S 2135 no longer taking into account the sets of parameters and endogenous inputs from D 2400, but D 2410 (see
Overall, after the local calibration is complete, it is known
- - which model modes are in the measuring range of a sensor,
- - which parameter set and which endogenous input generate the respective model mode,
- - how to influence the respective model fashion.
In addition, following local calibration in step S 2300, it is possible to identify identical carriers of model modes.
For A kl as a mode assigned to the sensor S k , characterized by parameters P kl endogenous input I kl and translation operators Ü kl, x , and A mn as a mode assigned to the sensor S m , characterized by parameters P mn, endogenous input I mn and translation operators Ü mn , χ (χ numbering of the transmitters) applies: if all P kl are equal to the corresponding P mn , and I kl equal to I mn , then both modes are identical. These identical modes do not have the same carrier if there is a transmitter Tχ, so that Ü kl, χ not equal to Ü kn, χ and / or Ü ml, χ not equal to Ü mn, χ . Method step S 2300 is not essential, but causes a possible downsizing of the functional matrix (D 2410, see
The goal of translocal calibration (S 2400) is to determine the type and extent of the influence of other modes and / or sensory inputs on a mode (indirect external influence, i.e. presentation of visual, acoustic, tactile, and other stimuli takes place via the sensory system, due to delays , and is modeled as part of the endogenous input). The tool for this is the "functional matrix": if a total of n different model modes have been found in the measuring range of at least one of the sensors, this functional matrix is an n * n matrix, in the (i, j) th cell of which an entry can be found if the Mode i has a demonstrable influence on mode j. The entry quantifies this influence, so that in the equations of the brain model for mode j "endogenous input" is replaced by "possibly delayed function of the i-th mode plus other endogenous input".
The procedure for filling required parts of the functional matrix is in
S3000 Das vorzugsweise EM Steuern
oder Regeln von Hirnaktivität über hirnaktivitätsmodellbasierte Rückkopplung
hat das Erreichen sowie Beibehalten von Soll-Verläufen von
HAC zum Ziel.
Hierbei werden zunächst Transmittersignale berechnet,
die theoretisch geeignet sind, den Ist-Verlauf der HAC in den Soll-Verlauf zu überführen. Diese
Transmittersignale setzen sich vorzugsweise aus einfachen Signalen mit
im Rahmen des spezifischen Hirnmodells berechenbarer und ggf. im
Rahmen der Kalibrierung bereits getesteter Wirkung zusammen, wobei
sowohl Mehrfachwirkungen (Auswirkungen von Signalen eines Transmitters
auf mehrere Moden), als auch räumliche
Zusammensetzung (Signale mehrerer Transmitter), als auch zeitliche
Zusammensetzung (Sequenz von Signalen) in Frage kommen. Nach Machbarkeitsprüfung der
errechneten Signale (bezüglich
Gesundheitsgrenzwerten, Apparaturbeschränkungen, ggf. Ausbreitungseinschränkungen)
wird mit Hilfe einer Nutzenfunktion (z.B.: kleinstmögliche Feldstärke pro
Transmitter) das beste Transmittersignal ausgewählt und gesendet. Die theoretische
Wirkung des Signals ist in einem spezifischen Hirnaktivitätsmodell
mit Einflusskalibrierung bekannt und gestattet HAC-Verlaufsprognosen.
Falls im Rahmen der laufenden EM Messung und Ist-HAC-Berechnung
deutliche Abweichungen auftreten, so ist zu prüfen, inwieweit diese Abweichungen
auf geänderten
endogenen Input zurückgehen
(und in diesem Fall das Transmittersignal nach entsprechender Neuberechnung
zu modifizieren). Ist dieses nicht der Fall, so wird S 3000 vorläufig unterbrochen,
um die Kalibrierung zu verbessern. Der entsprechende Ablauf ist
in
First, transmitter signals are calculated that are theoretically suitable for converting the actual curve of the HAC into the target curve. These transmitter signals are preferably composed of simple signals with an effect that can be calculated in the context of the specific brain model and possibly already tested in the course of the calibration, with both multiple effects (effects of signals from one transmitter on several modes) and spatial composition (signals from several transmitters). , as well as temporal composition (sequence of signals) come into question. After the feasibility check of the calculated signals (with regard to health limit values, equipment restrictions, possibly restrictions on propagation), the best transmitter signal is selected and sent using a utility function (e.g. minimum field strength per transmitter). The theoretical effect of the signal is known in a specific brain activity model with influence calibration and allows HAC prognoses. If there are significant deviations within the scope of the ongoing EM measurement and actual HAC calculation, check to what extent these deviations are due to changed endogenous input (and in this case modify the transmitter signal after corresponding recalculation). If this is not the case, S 3000 will be temporarily interrupted to improve the calibration. The corresponding procedure is in
Die wesentlichen Verfahrensschritte
werden nun anhand einiger Beispiele näher ausgeführt. Die Beispiele werden anhand
von Durchläufen
durch die Flussdiagramme (
Beispiel 1:Example 1:
Verstärken positiver Emotionen für die Dauer der Anwendung.Reinforce positive emotions for the long run the application.
D 3000 (Verhaltensmodell):D 3000 (behavior model):
Als reduziertes Davidson-Modell (siehe z.B. [11]), wird folgender Zusammenhang bezeichnet: positive Emotionen gehen mit einem höheren Quotienten von Beta (13–30 Hz) – EEG-Aktivität zu Alpha (8–12 Hz) – EEG-Aktivität im linksfrontalen Kortex einher.As a reduced Davidson model (see e.g. [11]), the following relationship is referred to: positive emotions go with a higher one Quotients of beta (13-30 Hz) - EEG activity to alpha (8-12 Hz) - EEG activity in the left front Cortex.
S 500 (Spezifizieren HAC und deren Berechnung. Spezifizieren Soll-Verläufe von HAC):S 500 (Specify HAC and their calculation. Specify target courses from HAC):
Das Davidson-Modell basiert auf dem Leistungsspektrum von EEG-Signalen.The Davidson model is based on the Performance spectrum of EEG signals.
Geeignetes HAC ist somit eine Folge quadrierter Absolutbeträge von Fourierkoeffizienten, die über Fast Fourier Transform berechnet wird, beispielsweise zu den Frequenzen von 1 bis 50 Hertz. Abgeleitetes HAC ist (Annahme: nur ganzzahlige Frequenzen, Fourierfenster beispielsweise 500 Millisekunden, fi Absolutbetrag des Fourierkoeffizienten der i-Hertz-Mode. Um die Frequenzen von 1 bis 50 Hz zu überdecken, sind nach Nyquist mindestens 100 Messwerte erforderlich). HAC(100) ist das Leistungsspektrum bezüglich der Messwerte 1 bis 100, HAC(101) das Leistungsspektrum bezüglich der Messwerte 2 bis 101, etc. Pos(100) ist aus HAC(100) abgeleitet, Pos(101) aus HAC(101) etc. Dieses abgeleitete HAC soll erhöht werden, also beispielsweise: ab einem Zeitpunkt bzw. dem entsprechenden Messpunkt soll gelten: Post, mit Einfluss) > 2*Pos(t, ohne Einfluss) . Diese Anforderung bestimmt alle Soll-Verläufe des HAC.Suitable HAC is thus a sequence of squared absolute amounts of Fourier coefficients that exceed Fast Fourier Transform is calculated, for example at the frequencies from 1 to 50 Hertz. Derived HAC is (Assumption: only integer frequencies, Fourier window, for example 500 milliseconds, f i absolute amount of the Fourier coefficient of the i-Hertz mode. According to Nyquist, at least 100 measured values are required to cover the frequencies from 1 to 50 Hz). HAC (100) is the range of services with regard to the measured values 1 to 100, HAC (101) is the range of services with regard to the measured values 2 to 101, etc. Pos (100) is derived from HAC (100), Pos (101) from HAC (101) etc. This derived HAC should be increased, for example: from a point in time or the corresponding measuring point the following should apply: Post, with influence)> 2 * Pos (t, without influence). This requirement determines all target courses of the HAC.
D 4000 (Minimale Apparaturvoraussetzungen):D 4000 (minimum equipment requirements):
Oberflächen-EEG mit einer Elektrode linksfrontal, einer Referenzelektrode z.B. am Ohr (s. [16]), einer extrakranialen Spule (als Transmitter) linksfrontal.Surface EEG with one electrode left front, a reference electrode e.g. on the ear (see [16]), an extracranial Coil (as a transmitter) left front.
Mit 100 Messwerten pro halber Sekunde (s. S 500) ergibt sich eine minimale Sampling-Rate von 200/sek.With 100 readings per half second (see page 500), the minimum sampling rate is 200 / sec.
D 2100 (Soll-Verlauf von HAC):D 2100 (target course of HAC):
Post, mit Einfluss) > 2*Pos(t, ohne Einfluss) Post, with influence)> 2 * Pos (t, without influence)
D 2200 (HAC-Berechnungsvorschriften):D 2200 (HAC calculation rules):
Per Fast Fourier Transform jeden quadrierten Absolutbetrag fi des Fourierkoeffizienten der i-ten Mode i zwischen 1 und 50 Hertz ermitteln.Using Fast Fourier Transform, determine every squared absolute value f i of the Fourier coefficient of the i-th mode i between 1 and 50 Hertz.
D 1000 (Generisches Hirnaktivitätsmodell):D 1000 (Generic Brain Activity Model):
Vereinfachtes Wilson-Cowan-Modell (abgeleitet aus [1], wobei Refraktärzeiten auf Null gesetzt wurden, ebenso Leitungsverzögerungen, u.v.m.), wobei Hirnaktivität auf der Aktivität neuraler Oszillatoren basiert. Ein neuraler Oszillator oszilliert oder oszilliert nicht, abhängig von seinem Input, sowie ebenfalls nicht observablen physiologischen Parametern. Ein neuraler Oszillator ist ein Ensemble von Feedbackschleifen aus erregenden und hemmenden Einzelneuronen (in [1] von der Größenordnung 105 Einzelneuronen, wobei hier auch Vielfache davon zugelassen sind, sofern das jeweilige Neuronenensemble durch die folgenden Gleichungen beschreibbar ist modelliert durch ein System zweier nichtlinearer Differentialgleichungen: Simplified Wilson-Cowan model (derived from [1], with refractory times set to zero, line delays, and much more), where brain activity is based on the activity of neural oscillators. A neural oscillator does not oscillate or oscillate, depending on its input, as well as non-observable physiological parameters. A neural oscillator is an ensemble of feedback loops consisting of exciting and inhibitory single neurons (in [1] of the order of 10 5 individual neurons, whereby multiples thereof are also permitted, provided the respective neuron ensemble can be described by the following equations, modeled by a system of two nonlinear differential equations :
Hierbei ist eine sigmoide Funktion. „x", „y" sind elektromagnetische Observable (bspw. gegenüber einer Referenzelektrode ableitbare Potentiale), „x" für die Gesamtheit der erregenden Einzelneuronen, „y" für die der hemmenden (Gesamtheit = Gesamtheit innerhalb des neuralen Oszillators). „a", „b", „c", „d", sind langsame Nichtobservable. „a" stellt den Einfluß der Gesamtheit der erregenden Einzelneuronen auf sich selbst dar, analog „d" für die Gesamtheit der hemmenden Einzelneuronen. „b" stellt den Einfluß der Gesamtheit der hemmenden Einzelneuronen auf die Gesamtheit der erregenden Einzelneuronen dar, „c" stellt den Einfluß der Gesamtheit der erregenden Einzelneuronen auf die Gesamtheit der hemmenden Einzelneuronen dar. „ρx" stellt den endogenen Input von außerhalb des neuralen Oszillators in die Gesamtheit der erregenden Einzelneuronen dar. „ρy" stellt den endogenen Input von außerhalb des neuralen Oszillators in die Gesamtheit der hemmenden Einzelneuronen dar. Inputvariable werden als innerhalb des Modells nicht notwendigerweise als langsam angenommen, auf diesen Aspekt wird bei der Erläuterung translokaler Kalibrierung genau eingegangen. Alle Zeiten werden in Millisekunden ausgedrückt, alle anderen Größen sind reine Zahlen. Das τ auf der linken Seite der vereinfachten Wilson-Cowan-Gleichungen gibt die Membranzeitkonstante in Millisekunden an, eine weitere Nichtobservable.Here is a sigmoid function. "X", "y" are electromagnetic observables (for example, potentials that can be derived from a reference electrode), "x" for the entirety of the exciting individual neurons, "y" for those that inhibit (entirety = entirety within the neural oscillator). "A", "b", "c", "d" are slow non-observable. "A" represents the influence of the entirety of the exciting individual neurons on itself, analogously to "d" for the entirety of the inhibitory individual neurons. "B" represents the influence of the entirety of the inhibiting individual neurons on the entirety of the exciting individual neurons, "c" represents the influence of the entirety of the exciting individual neurons on the entirety of the inhibitory individual neurons. "Ρ x " represents the endogenous In put from outside the neural oscillator into the entirety of the exciting individual neurons. "ρ y " represents the endogenous input from outside the neural oscillator into the entirety of the inhibiting single neurons. Input variables are not necessarily assumed to be slow within the model on this aspect is detailed in the explanation of translocal calibration. All times are expressed in milliseconds, all other quantities are pure numbers. The τ on the left of the simplified Wilson-Cowan equations indicates the membrane time constant in milliseconds, another non-observable.
Um Fremdeinwirkung zu umfassen, wird das vereinfachte Wilson-Cowan-Modell durch Aufspaltung von p erweitert: Direkte elektromagnetische Fremdeinwirkung wird als Teil des Inputs verstanden: ρx = ρx,exo + ρx,exo und ρY = ρy,endo + ρy,exo , wobei ρexo = Ü,(Transmittersignal) den exogenen Input in den betrachteten neuralen Oszillator auf Grund des vom i-ten Transmitter ausgestrahlten Signals bezeichnet, und „endo" für „endogen" steht. Ü ist ein Übersetzungsoperator, der unter anderem von der Entfernung des betrachteten neuralen Oszillators vom betreffenden Transmitter abhängt, von der Ausrichtung der Einzelneuronen gegenüber der Transmitterachse, und von weiteren physiologischen Parametern, sowie von der Art des gesendeten Signals. Übersetzungsoperatoren sind Nichtobservable.To include external influences, the simplified Wilson-Cowan model is expanded by splitting p: Direct electromagnetic external influences are understood as part of the input: ρ x = ρ x, exo + ρ x, exo and ρ Y = ρ y, endo + ρ y, exo , where ρ exo = Ü, (transmitter signal) denotes the exogenous input into the neural oscillator under consideration based on the signal emitted by the i-th transmitter, and "endo" stands for "endogenous". Ü is a translation operator that depends, among other things, on the distance of the neural oscillator under consideration from the transmitter in question, on the alignment of the individual neurons with respect to the transmitter axis, and on other physiological parameters, as well as on the type of signal sent. Translation operators are not observable.
Es ist bekannt, dass die genannten Nichtobservablen zwischen verschiedenen Personen um Faktoren von bis zu 100 verschieden sind, und selbst innerhalb verschiedener Gebiete eines Gehirns in vivo sehr verschieden sein können, und überdies (im Vergleich zu EM Oszillationen langsam) schwanken können. Die resultierende Vielfalt theoretisch und praktisch möglicher Moden ist daher nahezu beliebig. Kontrollierte lokale Modifikation ohne lokale Kalibrierung ist daher im Normalfall nicht möglich, andererseits ist unter der Annahme relativ stabilen endogenen Inputs translokale Kalibrierung entbehrlich.It is known that the above Nonobservables between different people by factors of are up to 100 different, and even within different Areas of a brain can be very different in vivo, and moreover (can fluctuate slowly compared to EM oscillations). The resulting variety theoretically and practically possible Fashion is therefore almost arbitrary. Controlled local modification Without local calibration, it is therefore normally not possible, on the other hand is translocal under the assumption of relatively stable endogenous inputs Calibration unnecessary.
S 800 (Spezifizieren der Mindest-Kalibrierungsvoraussetzungen):S 800 (specifying the Minimum calibration requirements):
τ , a, b, c, d, ρx , ρY, Übersetzungoperatoren für ein Sensor-Transmitter-Paar.τ, a, b, c, d, ρ x , ρ Y , translation operators for a sensor-transmitter pair.
Lediglich lokales Kalibrieren erforderlich.Only local calibration is required.
D 1100 (Mindest-Kalibrierungsvoraussetzungen):D 1100 (minimum calibration requirements):
Lokales Kalibrieren von τ , a, b, c, d, ρx , ρY, Übersetzungoperatoren für ein Sensor-Transmitter-Paar.Local calibration of τ, a, b, c, d, ρ x , ρ Y , translation operators for a pair of sensors and transmitters.
E 100 (Kalibrierung erforderlich?):E 100 (calibration required?):
Lokales Kalibrieren ist erforderlich.Local calibration is required.
D 4100 (Apparaturbeschränkungen):D 4100 (equipment restrictions):
Hängt von der verwendeten Apparatur ab, beispielsweise auf der Eingangsseite gewöhnliche EEG-Klebeelektroden, Digitalisierung mit einer Sampling-Rate von 200/sek., auf der Ausgangsseite beispielsweise eine Spule mit maximalem Magnetfeld von 0.5 Tesla. Die Beschränkung auf einen Transmitter bringt es mit sich, dass verschiedene Moden nicht unabhängig voneinander beeinflusst werden können.Hangs on the equipment used, for example on the input side ordinary EEG adhesive electrodes, Digitization with a sampling rate of 200 / sec. On the output side for example a coil with a maximum magnetic field of 0.5 Tesla. The limitation on a transmitter it brings with it that different fashions not independent can be influenced by each other.
D 4200 (Gesundheitliche Grenzwerte für exogene elektromagnetische Felder):D 4200 (Health Limits for exogenous electromagnetic fields):
Beinhaltet beispielsweise die Empfehlungen von [14].For example, includes the recommendations from [14].
S 2000 (Kalibrieren):S 2000 (calibration):
Wird beim Durchlauf durch die Flussdiagramme
(
D 1200 (Spezifisches Hirnaktivitätsmodell):D 1200 (specific brain activity model):
D 1000 mit empirisch für jede relevanten Hirnaktivität des jeweiligen Anwenders im betreffenden Zeitrahmen ermittelten τ , a, b, c, d, ρx,endo , ρY,endo, sowie D 1300.D 1000 with τ, a, b, c, d, ρ x, endo , ρ Y, endo , as well as D 1300, determined empirically for each relevant brain activity of the respective user in the relevant time frame.
D 1300 (Quantifizierung des Einflusses exogener EM Felder auf Hirnaktivität):D 1300 (quantification the influence of exogenous EM fields on brain activity):
Empirisch für jede relevante Hirnaktivität des jeweiligen Anwenders im betreffenden Zeitrahmen ermittelter Einfluss exogener EM Felder auf die betreffende Hirnaktivität, dargestellt durch Kontrollvariable ρx,exo , ρY,exo, in den vereinfachten Wilson-Cowan-Gleichungen zu dieser Hirnaktivität.The influence of exogenous EM fields on the relevant brain activity determined empirically for each relevant brain activity of the respective user in the relevant time frame, represented by control variables ρ x, exo , ρ Y, exo , in the simplified Wilson-Cowan equations for this brain activity.
S 3000 (Steuern oder Regeln von Hirnaktivität mit Hilfe gezielter Veränderung von Kontrollvariablen sowie Messung/Berechnung von HAC):S 3000 (control or regulation of brain activity with the help of targeted change of control variables and measurement / calculation of HAC):
Wird beim Durchlauf durch das betreffende
Flussdiagramm (
D 1100 (Mindest-Kalibrierungsanforderungen):D 1100 (minimum calibration requirements):
Wie vorher.As previously.
D 1110 (Kalibrierungsart):D 1110 (type of calibration):
Lokal.Local.
D 1120 (Kalibrierungsumfang): D 1120 (scope of calibration):
Sensor S1, Transmitter T1.Sensor S 1 , transmitter T 1 .
E 110 (Kalibrierung?):E 110 (calibration?):
Ja.Yes.
S 2100 (Lokales Kalibrieren):S 2100 (local calibration):
Wird beim Durchlauf durch die Flussdiagramme
(
S 2300 (Identifizieren identischer Hirnaktivitäten):S 2300 (Identify identical Brain Activity):
Entfällt, da verschiedene Sensoren und Transmitter in diesem Beispiel nicht zur Verfügung stehen.Not applicable because different sensors and transmitters are not available in this example.
E 120 (Translokale Kalibrierung?):E 120 (translocal calibration?):
Nein.No.
D 1200 (Spezifisches Hirnaktivitätsmodell):D 1200 (specific brain activity model):
Wie vorher.As previously.
D 1300 (Quantifizierung des Einflusses exogener EM Felder auf Hirnaktivität):D 1300 (quantification the influence of exogenous EM fields on brain activity):
Wie vorher.As previously.
S 3000:S 3000:
Siehe
S 2110 (Messen EM Hirnaktivität mit S1):S 2110 (measuring EM brain activity with S 1 ):
Mit Hilfe der linksfrontalen Elektrode sowie der Referenzelektrode werden Potentialdifferenzen erfasst, und mit 200 Werten pro Sekunde digitalisiert. Die entstehende Zeitreihe (D 2205) wird gespeichert.With the help of the left frontal electrode and the reference electrode, potential differences are recorded, and Digitized at 200 values per second. The resulting time series (D 2205) is saved.
D 2205 (Empirische Zeitreihe für S1):D 2205 (empirical time series for S 1 ):
Die aus S 2110 entstehende Zeitreihe von Potentialdifferenzen.The time series from S 2110 of potential differences.
S 2120 (Berechnen von Ist-Verläufen von HAC aus der Zeitreihe von S1):S 2120 (calculating actual courses of HAC from the time series of S 1 ):
Mit einer Sampling-Rate von 200/sek. erhält man Frequenzen zwischen 1 und 50 Hz. Per FFT (Fast Fourier Transformation) erhält man für ein Fenster festgelegter Länge (100 Messpunkte) das Leistungsspektrum. Hieraus erfolgt das Berechnen von Pos gemäß Formel in S 500. (Bereits bei HAC(100) beginnt hier S 2130.)With a sampling rate of 200 / sec. receives frequencies between 1 and 50 Hz. Via FFT (Fast Fourier Transformation) receives one for a window of fixed length (100 measuring points) the range of services. This is used for the calculation of pos according to formula in S 500. (S 2130 already starts at HAC (100).)
D 2210 (Ist-Verläufe von HAC für S1):D 2210 (actual trends of HAC for S 1 ):
Ist-Verlauf des Leistungsspektrums, also HAC(100), HAC(101), HAC(102), etc. Zusätzlich Ist-Verlauf von Pos, dh. Pos(100), Pos(101), Pos(102), etc.Actual development of the range of services, HAC (100), HAC (101), HAC (102), etc. ie. Pos (100), Pos (101), Pos (102), etc.
D 1000 (Generisches Hirnmodell):D 1000 (generic brain model):
Siehe vorher.See before.
D 1049 (Einflussannahmen):D 1049 (assumption of influence):
Genauer erläutert bei D 1050,
D 1051 (Datenbank):D 1051 (database):
Die unendlich vielen im generischen Hirnmodell möglichen Parameterkombinationen werden a priori auf rechnerisch bewältigbar viele reduziert: erstens durch Ausrechnen der Grenzen des Parameterbereichs, in dem endogene Inputs existieren, die zu einem nichtkonstanten EM Output führen, zweitens durch Diskretisieren eines n-fachen dieses Bereichs (Definieren eines Parametergitters, n natürliche Zahl). Jeder Parametersatz ist in diesem Gitter enthalten. Alle endogenen Inputs sind hier (einfachster Fall) als konstant betrachtet. Als Startwerte für die Berechnung der Spannungsvariablen x und y in den vereinfachten Wilson-Cowan-Gleichungen werden im Intervall [–0.5,0.5] gleichverteilte Zufallsvariable gewählt.The infinite number in generic Possible brain model Combinations of parameters can be managed a priori many reduced: first, by calculating the limits of the parameter range, in which endogenous inputs exist that lead to a non-constant Lead EM output, secondly, by discretizing an n-fold of this range (Define of a parameter grid, n natural Number). Every parameter set is contained in this grid. All endogenous inputs are considered here (the simplest case) to be constant. As Initial values for the calculation of the voltage variables x and y in the simplified Wilson-Cowan equations become evenly distributed random variables in the interval [–0.5,0.5] selected.
Es wird nun exemplarisch (bei vorerst
auf Null gesetztem exogenen Input) vorgestellt, welchen Auswirkungen
unterschiedliche Ausprägungen
der Parameter bei gleichem (konstantem) endogenem Input auf das
Leistungsspektrum der resultierenden Mode haben (jeweilige x-Achse:
Frequenz in Hertz, jeweilige y-Achse: quadrierter Absolutbetrag
des zugehörigen
Fourierkoeffizienten):
(i)
wird erzeugt durch τ=
5 , a = 22, b = 20, c = 14, d = 3, bei ρx =
1.5 und ρY = 0 .
(ii) wird erzeugt durch τ = 10 , a
= 22, b = 20, c = 14, d = 3, bei ρx = 1.5 und ρY =
0 .
(iii) wird erzeugt durch τ = 15 , a = 22, b = 20, c =
14, d = 3, bei ρx = 1.5 und ρY =
0 .
(iv) wird erzeugt durch τ =
20 , a = 22, b = 20, c = 14, d = 3, bei ρx =
1.5 und ρy = 0 .It will now be presented as an example (with exogenous input initially set to zero), which effects different characteristics of the parameters have with the same (constant) endogenous input on the performance spectrum of the resulting mode (respective x-axis: frequency in Hertz, respective y-axis: squared absolute value of the associated Fourier coefficient):
(i) is generated by τ = 5, a = 22, b = 20, c = 14, d = 3, at ρ x = 1.5 and ρ Y = 0.
(ii) is generated by τ = 10, a = 22, b = 20, c = 14, d = 3, at ρ x = 1.5 and ρ Y = 0.
(iii) is generated by τ = 15, a = 22, b = 20, c = 14, d = 3, at ρ x = 1.5 and ρ Y = 0.
(iv) is generated by τ = 20, a = 22, b = 20, c = 14, d = 3, at ρ x = 1.5 and ρ y = 0.
Diese Moden sind unter konstantem Input stationär, sodass das gezeigte HAC, aufgetragen über die Zeit, auch der HAC-Verlauf ist. Wenige Millisekunden dauernde Transiente, die von den Startwerten in die Oszillation führten, wurden grundsätzlich weggelassen.These modes are under constant Input stationary, so that the HAC shown, plotted over time, also the HAC course is. Transients lasting a few milliseconds, from the initial values into the oscillation, were basically omitted.
(i) wird erzeugt durch τ =
10 , a = 14, b = 20, c = 14, d = 3, bei ρx =
1.5 und ρy = 0.
(ii) wird erzeugt durch τ = 5 , a
= 18, b = 20, c = 14, d = 3, bei ρx = 1.5 und ρy =
0.
(iii) wird erzeugt durch τ =
10 , a = 22, b = 20, c = 14, d = 3, bei ρx =
1.5 und ρy = 0.
(iv) wird erzeugt durch τ = 10, a
= 26, b = 20, c = 14, d = 3, bei ρx = 1.5 und ρy =
0.
(i) is generated by τ = 10, a = 14, b = 20, c = 14, d = 3, at ρ x = 1.5 and ρ y = 0.
(ii) is generated by τ = 5, a = 18, b = 20, c = 14, d = 3, at ρ x = 1.5 and ρ y = 0.
(iii) is generated by τ = 10, a = 22, b = 20, c = 14, d = 3, at ρ x = 1.5 and ρ y = 0.
(iv) is generated by τ = 10, a = 26, b = 20, c = 14, d = 3, at ρ x = 1.5 and ρ y = 0.
Deutlich zu erkennen ist fehlende Oszillation bei den beiden kleineren Selbsterregungswerten.Missing ones are clearly recognizable Oscillation in the two smaller self-excitation values.
(i)
wird erzeugt durch τ =
10 , a = 22, b = 15, c = 14, d = 3, bei ρx =
1.5 und ρy = 0.
(ii) wird erzeugt durch τ = 10, a
= 22, b = 20, c = 14, d = 3, bei ρx = 1.5 und ρy =
0.
(iii) wird erzeugt durch τ =
10 , a = 22, b = 25, c = 14, d = 3, bei ρx =
1.5 und ρy = 0.
(iv) wird erzeugt durch τ = 10, a
= 22, b = 30, c = 14, d = 3, bei ρx = 1.5 und ρy =
0.
(i) is generated by τ = 10, a = 22, b = 15, c = 14, d = 3, at ρ x = 1.5 and ρ y = 0.
(ii) is generated by τ = 10, a = 22, b = 20, c = 14, d = 3, at ρ x = 1.5 and ρ y = 0.
(iii) is generated by τ = 10, a = 22, b = 25, c = 14, d = 3, at ρ x = 1.5 and ρ y = 0.
(iv) is generated by τ = 10, a = 22, b = 30, c = 14, d = 3, at ρ x = 1.5 and ρ y = 0.
(i)
wird erzeugt durch ρ× =
1.5, a = 22, b = 20, c = 10, d = 3, bei ρx =
1.5 und ρy = 0.
(ii) wird erzeugt durch τ = 10 , a
= 22, b = 20, c = 14, d = 3, bei ρx = 1.5 und ρy =
0.
(iii) wird erzeugt durch τ =
10, a = 22, b = 20, c = 18, d = 3, bei ρx =
1.5 und ρy = 0.
(iv) wird erzeugt durch τ = 10 , a
= 22, b = 20, c = 22, d = 3, bei ρx = 1.5 und ρy =
0.
(i) is generated by ρ × = 1.5, a = 22, b = 20, c = 10, d = 3, at ρ x = 1.5 and ρ y = 0.
(ii) is generated by τ = 10, a = 22, b = 20, c = 14, d = 3, at ρ x = 1.5 and ρ y = 0.
(iii) is generated by τ = 10, a = 22, b = 20, c = 18, d = 3, at ρ x = 1.5 and ρ y = 0.
(iv) is generated by τ = 10, a = 22, b = 20, c = 22, d = 3, at ρ x = 1.5 and ρ y = 0.
Deutlich zu erkennen ist fehlende Oszillation bei starker Fremderregung der inhibitorischen Neuronen innerhalb des Ensembles (Fall iv).Missing ones are clearly recognizable Oscillation with strong external excitation of the inhibitory neurons within of the ensemble (case iv).
(i)
wird erzeugt durch τ =
10, a = 22, b = 20, c = 14, d = 0, bei ρx =
1.5 und ρy = 0.
(ii) wird erzeugt durch τ = 10, a
= 22, b = 20, c = 14, d = 3, bei ρx = 1.5 und ρy =
0.
(iii) wird erzeugt durch τ =
10 , a = 22, b = 20, c = 14, d = 6, bei ρx =
1.5 und ρy = 0.
(iv) wird erzeugt durch τ = 10 , a
= 22, b = 20, c = 14, d = 9, bei ρx = 1.5 und ρy =
0.
(i) is generated by τ = 10, a = 22, b = 20, c = 14, d = 0, at ρ x = 1.5 and ρ y = 0.
(ii) is generated by τ = 10, a = 22, b = 20, c = 14, d = 3, at ρ x = 1.5 and ρ y = 0.
(iii) is generated by τ = 10, a = 22, b = 20, c = 14, d = 6, at ρ x = 1.5 and ρ y = 0.
(iv) is generated by τ = 10, a = 22, b = 20, c = 14, d = 9, at ρ x = 1.5 and ρ y = 0.
Deutlich zu erkennen ist fehlende Oszillation bei starker Selbsthemmung (Fall iv).Missing ones are clearly recognizable Oscillation with strong self-locking (case iv).
S 2115 (Für Jeden Satz von Nichtobservablen: Berechnen der zugehörigen Modellmode und/oder Auffinden in der Datenbank): S 2115 (for everyone Set of non-observables: calculate the associated model mode and / or find it in the database):
Einsetzen in die vereinfachten Wilson-Cowan-Gleichungen und numerisches Lösen derselben.Insert into the simplified Wilson-Cowan equations and numerical solving the same.
S 2120 (Berechnen von HAC-Verläufen aus den Modellmoden und/oder Auffinden in der Datenbank):S 2120 (calculating HAC curves from the model modes and / or finding them in the database):
HAC-Berechnung auf die Ergebnisse von S 2115 anwenden.HAC calculation on the results apply from S 2115.
D 1030 (HAC-Modellmoden):D 1030 (HAC model modes):
Ergebnisse von S 2120, auszugsweise dargestellt unter D 1051.Results of S 2120, excerpts shown under D 1051.
D 1040 (HAC-Messinvarianten und -annahmen):D 1040 (HAC measurement invariants and assumptions):
Um in empirischen Moden Modellmoden wiedererkennen zu können, werden im einfachsten Fall HAC gewählt, die ganz oder teilweise gegenüber der gewählten Messmethode invariant sind, oder für die diese Invarianz angenommen werden kann. Im vorliegenden Beispiel (Leistungsspektrum) ist diese Annahme: die Abschwächung zwischen dem Träger einer Modellmode und dem Sensor ist frequenzunabhängig. Das heißt, das Verhältnis der Koeffizienten einer Modellmode bleibt auf dem Weg zum Sensor erhalten. Als weitere Annahme wird das Signal als stückweise stationär angesehen (mit Stationarität im Mittel deutlich länger als der Länge des Fourier-Fensters). Weitere Annahme es (s. [1]), dass die Potentialdifferenzen der an der betreffenden Hirnaktivität beteiligten erregenden und die der hemmenden Neuronen zu gleichen Teilen in das EEG-Signal eingehen, und zwar als x – y.To model modes in empirical fashions to be able to recognize in the simplest case, HAC are chosen, all or part across from the chosen one Measurement method are invariant, or for which this invariance is assumed can be. In the present example (range of services) this is Assumption: the slowdown between the carrier a model mode and the sensor is frequency independent. The is called, The relationship the coefficient of a model mode remains on the way to the sensor receive. As a further assumption, the signal is considered piecewise stationary viewed (with stationarity on average significantly longer than the length of the Fourier window). Further assumption (see [1]) that the potential differences of the arousal and that of the inhibitory neurons in equal parts in the EEG signal come in as x - y.
S 2130 (Für S1: Dekomposition von Ist-Verläufen von modellnahen HAC in HAC-Modellmoden, mit Relevanzprüfung):S 2130 (for S 1 : decomposition of actual curves of model-related HAC in HAC model modes, with relevance check):
Grundsätzlich sind als modellnahe HAC die EM Größen voreingestellt, die im Hirnaktivitätsmodell beschrieben werden (bspw. Potentialdifferenzen). Im vorliegenden Beispiel (quasistationäre Neuraloszillatoren) wird stattdessen das Leistungsspektrum verwendet. Die a-priori-Änderung der Voreinstellung je nach verwendetem Hirnaktivitätsmodell ist dem Fachmann überlassen. Hier: Auffinden von Modellmoden, deren HAC-Modellmode, im einfachsten Fall dividiert durch einen Abschwächungsfaktor, bezüglich einer Norm (beispielsweise L1) bestmöglich das Leistungsspektrum erklärt. Entfernen der HAC-Modellmode/Abschwächungsfaktor aus dem Leistungsspektrum. Auffinden weiterer Modellmoden, deren HAC-Modellmode bezüglich der Norm bestmöglich das neue Leistungsspektrum erklärt, etc., bis ein vordefinierter Schwellenwert unterschritten wird.Basically, the EM variables that are described in the brain activity model (e.g. potential differences) are preset as model-related HAC. In the present example (quasi-stationary neural oscillators) the power spectrum is used instead. The a priori change in the default setting depending on the brain activity model used is left to the person skilled in the art. Here: Finding model modes whose HAC model mode, in the simplest case divided by a weakening factor, best explains the range of services with reference to a standard (e.g. L 1 ). Remove the HAC model mode / attenuation factor from the power spectrum. Finding other model modes whose HAC model mode best explains the new range of services with regard to the standard, etc., until a predefined threshold value is undershot.
Wenn zum Beispiel das Ist-Leistungsspektrum
modulo Rauschen stationär
Maxima bei 10 Hertz mit Betrag 1, bei 20 Hertz mit Betrag 0.5, bei
30 Hertz mit Betrag 0.2, sowie kleinere Maxima bei weiteren Vielfachen
von 10 Hz aufweist, so erklären
beide in
D 2300 (Liste relevanter HAC-Modellmoden im Messbereich jedes Sensors Si):D 2300 (list of relevant HAC model modes in the measuring range of each sensor S i ):
Besteht hier nur aus E1,1 und E1,2, beide für den Sensor S1.Here consists only of E 1.1 and E 1.2 , both for sensor S 1 .
D 2350 (Liste möglicher Modellmoden zu jedem Element von D 2300):D 2350 (list of possible Model modes for each element of D 2300):
Diese Liste enthält, neben anderen, die Modellmoden M1,1,1 (für E1,1) und M1,2,1 (für E1,2), deren Erzeugung im folgenden behandelt wird.This list includes, among others, the model fashions M 1,1,1 (E 1.1) and M 1,2,1 (E 1.2) whose production is covered below.
D 2400 (Liste möglicher Parametersätze mit endogenem Input zu jeder Modellmode in D 2350):D 2400 (list of possible parameter sets with endogenous input for every model fashion in D 2350):
Diese Liste enthält, neben anderen, zu jeder Modellmode aus D 2350 Modellmoden Parametersätze und endogene Inputs, die diese Modellmode gemäß der vereinfachten Wilson-Cowan-Gleichungen erzeugen. D 2400 umfaßt hier bspw. für M1,1,1 den Parametersatz τ = 10, a = 22, b = 20, c = 14, d = 3, bei endogenem Input ρx = 1.5 und ρy = 0, sowie für M1,2,1 den Parametersatz τ = 10 , a = 26, b = 20, c = 18, d = 3 bei endogenem Input ρx = 1.4 und ρy = –0.1.This list contains, among others, parameter sets for each model mode from D 2350 model modes and endogenous inputs that generate this model fashion according to the simplified Wilson-Cowan equations. D 2400 here includes, for example, for M 1.1.1 the parameter set τ = 10, a = 22, b = 20, c = 14, d = 3, with endogenous input ρ x = 1.5 and ρ y = 0, as well as for M 1,2,1 the parameter set τ = 10, a = 26, b = 20, c = 18, d = 3 with endogenous input ρ x = 1.4 and ρ y = –0.1.
D 2300, D 2350, D 2400, D 1000, D 1051, D 4100, D 4200:D 2300, D 2350, D 2400, D 1000, D 1051, D 4100, D 4200:
Wie vorher.As previously.
D 1050 (Einflussinvarianten und Annahmen):D 1050 (invariant influences and assumptions):
Die Kontrollvariablen in den Gleichungen
des generischen Hirnmodells entstehen durch Anwendung des zu einer
Modellmode und zum verwendeten Transmitter T1 gehörigen (noch
unbekannten) Übersetzungsoperators Ü auf ein
Transmittersignal. Im vorliegenden Beispiel:
Bezüglich der Gestalt des Übersetzungsoperators
werden (überprüfbare) Annahmen
gemacht, z.B. für einen
Spezialfall akustischer Stimulation ÜX = Üy (s. [18]). Die gleiche Annahme wird hier
getroffen, zusätzlich die
Annahme, dass im Mittel, innerhalb eines Geltungsbereichs, zwei
sich lediglich bezüglich
ihrer Amplitude unterscheidende Transmittersignale (bspw. Amplitudenverhältnis
S 2160 (Berechnen des Testsignals):S 2160 (calculating the test signal):
Als Testsignal kommt zunächst jedes beliebige, im Rahmen der Apparaturbeschränkungen (D 4100) und Gesundheitsgrenzwerte (D 4200) realisierbare Signal in Frage.Each comes first as a test signal any, within the limits of the equipment (D 4100) and health limits (D 4200) realizable signal in question.
Aufgabe des Testsignals ist es erstens, aus D 2400 Kandidaten für erzeugende Parameter und endogene Inputs der Modellmoden der beobachteten HAC-Modellmoden solange zu eliminieren, bis deren Zuordnung zur jeweiligen beobachteten HAC-Modellmode eindeutig ist, und zweitens die Übersetzung des Testsignals in exogenen Input festzustellen. Aus der Menge aller möglichen Testsignale können Testsignale, die diese Bedingungen erfüllen, numerisch ermittelt werden (bspw. Wahl von geordneten Funktionenbasen plus brute force – Berechnung).The task of the test signal is firstly from D 2400 candidates for generating parameters and endogenous inputs of the model modes of the observed Eliminate HAC model modes until their assignment to respective observed HAC model fashion is unique, and second the translation of the test signal in exogenous input. From the crowd of all potential Test signals can Test signals that meet these conditions can be determined numerically (e.g. choice of ordered function bases plus brute force calculation).
Eine zulässige Vereinfachung ist es,
von einem Testsignal sowohl einen Bezug zu den gemessenen Hirnaktivitäten zu verlangen,
als auch zum verwendeten Hirnaktivitätsmodell, als auch in selbstkonsistenter Weise
zu einem bei der Modifikation in S 3000 einzusetzenden Signal. Bei
linearen Oszillationen wird zwischen zur Oszillationsfrequenz inkommensurablen
sowie kommensurablen Frequenzen unterschieden. Im vorliegenden Beispiel
wird analog für
die Grundfrequenz der Oszillation (kleinste im Leistungsspektrum
enthaltene, von den Frequenzen eines Zufallssignals unterscheidbare
Frequenz) vorgegangen: Nach
Neben die dargestellten Möglichkeiten der Gestalt des Testsignals treten verschiedene realisierbare Amplitudenmultiplikatoren, beginnend mit einer geringen Amplitude. Beispiel: Testsignal =(0.05 Tesla, sin(2*Pi*t*3/1000), (1,2,3,4)), t Zeit in Millisekunden.In addition to the options shown The shape of the test signal is accompanied by various realizable amplitude multipliers, starting with a small amplitude. Example: Test signal = (0.05 Tesla, sin (2 * Pi * t * 3/1000), (1,2,3,4)), t time in milliseconds.
S 2170 (Senden des Testsignals):S 2170 (sending the test signal):
Erfolgt in der in D 2500 festgelegten Reihenfolge, mit Pausen zwischen je zwei Sendevorgängen in der Größenordnung von Vielfachen der Membranzeitkonstante, zur Vermeidung temporaler Summationseffekte.Takes place in the order specified in D 2500, with pauses between two transmissions in on the order of multiples of the membrane time constant to avoid temporal summation effects.
S 2110, D 2520:S 2110, D 2520:
Wie vorher. Falls Messung und Senden des Testsignals gleichzeitig erfolgen, und beispielsweise fehlende oder unzureichende Sensorabschirmung zu Artefakten führt, so sind diese aus dem Signal herauszurechnen. Die Berechnung der Stärke des von einem Transmitter in einem Sensor erzeugten Artefakts erfolgt üblicherweise über die Entfernung zwischen beiden, sowie Materialgleichungen der zwischen beiden befindlichen Substanzen. Zusätzlich besteht die Möglichkeit, diese Artefakte vor Beginn einer Kalibrierung direkt zu messen, indem von natürlichen Aktivitäten gut abgrenzbare Signale sehr geringer Amplitude gesendet werden (so gering, dass ein Einfluss auf neuronale Aktivitäten als unwahrscheinlich angenommen werden darf). Ohne Transmittersignal möglicher Artefakte (bspw. durch Muskelbewegungen während der Messung) werden konventionell beseitigt.As previously. If measurement and sending of the test signal take place simultaneously, and for example missing or insufficient sensor shielding leads to artifacts, so these are to be calculated out of the signal. Calculating the strength of the Artifacts generated by a transmitter in a sensor usually take place via the Distance between the two, as well as material equations between two substances found. There is also the possibility measure these artifacts directly before starting a calibration, by natural activities signals of very low amplitude that can be clearly delineated (see above) low that an influence on neural activity is assumed to be unlikely may be). Possible artifacts (e.g. through Muscle movements during measurement) are eliminated conventionally.
S 2120:S 2120:
Wie vorher.As previously.
S 2135 (Dekomposition nach relevanten HAC-Modellmoden mit Testsignal):S 2135 (decomposition after relevant HAC model modes with test signal):
Im Gegensatz zu S 2130 wird hier nicht nach beliebigen HAC-Modellmoden zerlegt, sondern nach HAC-Modellmoden mit Testsignal.In contrast to S 2130 here not broken down into any HAC model fashions, but into HAC model fashions with test signal.
Hierbei sind lediglich Parametersätze und endogener Input aus D 2400 zugelassen, die jetzt durch exogenen Input zu ggf. anderen Lösungen (Modellmoden mit Testsignal), und damit zu ggf. anderen HAC-Modellmoden mit Testsignal führen.Here are only parameter sets and endogenous input from D 2400 approved, now through exogenous Input to other solutions if necessary (Model modes with test signal), and thus possibly other HAC model modes lead with test signal.
Die Abschwächungen von S 2130 bleiben erhalten, wenn angenommen wird, dass sich an der Lokalisierung des Trägers der jeweiligen Mode durch exogenen Input nichts ändert.The weakening of S 2130 remains obtained if it is assumed that the location of the carrier nothing changes in the respective fashion through exogenous input.
Die zu berücksichtigenden HAC-Modellmoden
haben beispielsweise unter sinusförmigem exogenem Input der Frequenz
(i) für ρexo =
2 * sin(2πt
* 7/1000)
(ii) für ρexo =
4 * sin(2πt
* 7/1000)
(iii) für
für ρexo =
6 * sin(2πt
* 7/1000)
(iv) für
für ρexo =
8 * sin(2πt
* 7/1000)The HAC model modes to be considered have, for example, with sinusoidal exogenous input of the frequency
(i) for ρ exo = 2 * sin (2πt * 7/1000)
(ii) for ρ exo = 4 * sin (2πt * 7/1000)
(iii) for for ρ exo = 6 * sin (2πt * 7/1000)
(iv) for for ρ exo = 8 * sin (2πt * 7/1000)
Hieraus ergeben sich bereits zur Veranschaulichung der Quantifizierung des Einflusses des Signals einige Beobachtungen: Das bezüglich der 7 Hertz und der 14 Hertz Komponente invertierte Leistungsspektrum normalisiert sich beim Verdoppeln des Multiplikators von 2 auf 4. Der quadrierte Absolutbetrag des 7 Hertz-Anteils weist bei der Erhöhung des Multiplikators von 2 auf 4 folgendes (ungefähre) Verhältnis auf: 1/4, von 4 auf 6: 3/2, von 6 auf 8: 4/3.This already results in Illustration of quantifying the influence of the signal some Observations: That regarding the 7 Hertz and the 14 Hertz component normalized inverted power spectrum doubles the multiplier from 2 to 4. The squared Absolute amount of the 7 Hertz portion indicates when increasing the Multipliers from 2 to 4 the following (approximate) ratio to: 1/4, from 4 to 6: 3/2, from 6 to 8: 4/3.
Der selbe exogene Input erzeugt im
Falle der anderen HAC-Modellmode (ü aus
(i)
für ρexo =
2 * sin(2πt
* 7/1000)
(ii) für ρexo =
4 * sin(2πt
* 7/1000)
(iii) für
für ρexo =
6 * sin(2πt
* 7/1000)
(iv) für
für ρexo =
8 * sin(2πt
* 7/1000) Im Gegensatz zu
(i) for ρ exo = 2 * sin (2πt * 7/1000)
(ii) for ρ exo = 4 * sin (2πt * 7/1000)
(iii) for for ρ exo = 6 * sin (2πt * 7/1000)
(iv) for for ρ exo = 8 * sin (2πt * 7/1000) In contrast to
Die zu berücksichtigenden HAC-Modellmoden
haben beispielsweise unter sinusförmigem exogenem Input der Frequenz
10 Hertz die für
(i) für exo = 2 * sin(2πt * 10/1000)
(ii) für ρexo =
4 * sin(2πt
* 10/1000)
(iii) für
für ρexo =
6 * sin(2πt
* 10/1000)
(iv) für
für ρexo =
8 * sin(2πt
* 10/1000)The HAC model modes to be taken into account have, for example, with sinusoidal exogenous input of the frequency 10 Hertz
(i) for exo = 2 * sin (2πt * 10/1000)
(ii) for ρ exo = 4 * sin (2πt * 10/1000)
(iii) for for ρ exo = 6 * sin (2πt * 10/1000)
(iv) for for ρ exo = 8 * sin (2πt * 10/1000)
Analog zu vorher ergeben sich Veränderungen des Wertes der 7 Hertz Komponente bei Veränderung des Multiplikators von 2 auf 4 (ungefähr) von 6/15, von 4 auf 6 von 3/2, von 6 auf 8 von 5/4.Analogous to before there are changes the value of the 7 Hertz component when changing the multiplier from 2 to 4 (approximate) from 6/15, from 4 to 6 from 3/2, from 6 to 8 from 5/4.
Der selbe exogene Input erzeugt im
Falle der anderen HAC-Modellmode (ü aus
(i)
für exo = 2 * sin(2πt * 10/1000)
(ii) für ρexo =
4 * sin(2πt
* 10/1000)
(iii) für
für ρexo =
6 * sin(2πt
* 10/1000)
(iv) für
für ρexo =
8 * sin(2πt
* 10/1000)The same exogenous input generates in the case of the other HAC model modes (ü aus
(i) for exo = 2 * sin (2πt * 10/1000)
(ii) for ρ exo = 4 * sin (2πt * 10/1000)
(iii) for for ρ exo = 6 * sin (2πt * 10/1000)
(iv) for for ρ exo = 8 * sin (2πt * 10/1000)
Ähnlich
wie in den Leistungsspektren in
Als Beispiel für ein Elementarloop wird zunächst ein virtuelles Neuron eingeführt, dessen Verhalten durch eine Funktion u(t) beschrieben wird. u(t) ist Lösung einer Wilson-Cowan ähnlichen Differenzen-Diftentialgleichung, in die das um 10 Millisekunden zeitverzögerte Messsignal x(t)–y(t) eingekoppelt wird: u (t)= –u(t) + S(4*u(t) + 1.5–2*(x(t – 10) – y(t – 10)), Bezeichnung der Größen siehe vorher. Die numerische Lösung dieser Gleichung erfolgt mit Hilfe linearer Spline Approximation (s. bspw. [23]).As an example of an elementary loop, a virtual neuron is first introduced, the behavior of which is described by a function u (t). u (t) is the solution of a difference-differential equation similar to Wilson-Cowan, into which the measurement signal x (t) –y (t) delayed by 10 milliseconds is injected: u (t) = - u (t) + S (4 * u (t) + 1.5–2 * (x (t - 10) - y (t - 10)), for the description of the sizes, see above. The numerical solution of this equation is done using linear spline approximation (see, for example, ).
Um den Fall nicht gleichzeitig aktiver Sensoren und Transmitter (relevant beispielsweise bei Blockierung des Sensors durch Transmittersignale) zu behandeln, alternieren bspw. Messen und Senden in Zeitabständen von 50 Millisekunden: d.h. in die obige Gleichung koppelt nicht 2*(x(t – 10) – y(t – 10)) ein, sondern 2*(x(t – 10) – y(t – 10))*(UnitStep(–sin(0.001 + 2*Pi*t* 0.02)), und in die vereinfachten Wilson-Cowan-Gleichungen nicht ρx,exo (t) = ρy,exo (t) = Multiplikator*u(t), sondern ρx,exo(t) = ρy,exo (t) = Multiplikator*u(t)*UnitStep(sin(0.001 + 2*Pi*t*0.02)) wobei UnitStep jeweils die Heaviside-Funktion darstellt.In order to deal with the case of sensors and transmitters that are not active at the same time (relevant, for example, when the sensor is blocked by transmitter signals), measurement and transmission alternate at intervals of 50 milliseconds: that is, the equation above does not couple 2 * (x (t - 10) - y (t - 10)), but 2 * (x (t - 10) - y (t - 10)) * (UnitStep (–sin (0.001 + 2 * Pi * t * 0.02)), and into the simplified Wilson-Cowan equations not ρ x, exo (t) = ρ y, exo (t) = multiplier * u (t), but ρ x, exo (t) = ρ y, exo (t) = multiplier * u (t) * UnitStep (sin (0.001 + 2 * Pi * t * 0.02)) where UnitStep represents the Heaviside function.
Hieraus ergibt sich die für
(i) für
Multiplikator = 4;
(ii) für
Multiplikator = 8;
(iii) für
Multiplikator = 16;
(iv) für
Multiplikator = 32;This results in the for
(i) for multiplier = 4;
(ii) for multiplier = 8;
(iii) for multiplier = 16;
(iv) for multiplier = 32;
Mit dem gleichen Elementarloop ergibt
sich für
(i) für
Multiplikator = 4;
(ii) für
Multiplikator = 8;
(iii) für
Multiplikator = 16;
(iv) für
Multiplikator = 32.Using the same elementary loop results in for
(i) for multiplier = 4;
(ii) for multiplier = 8;
(iii) for multiplier = 16;
(iv) for multiplier = 32.
Zu erkennen ist in den
Beispielsweise soll die veränderte HAC-Modellmode
bei einem 0.4 Tesla
(Phasenbetrachtungen unterbleiben in diesem einfachen Beispiel. Bei einer Fine-Tuning-Kalibrierung werden zusätzlich Sequenzen phasenverschobener Testsignale verwendet.)(No phase considerations in this simple example. With a fine-tuning calibration additionally Sequences of phase-shifted test signals are used.)
Ausgedrückt in Parametersätzen, endogenen
und exogenen Inputs ergibt das folgendes Ergebnis:
Es existiert
eine Modellmode mit Nichtobservablen τ = 10 , a = 22, b = 20, c =
14, d = 3, bei ρx,endo = 1.5 und ρy,endo =
0, in die ein 0.4 Tesla 7 Hertz sinusförmiges Signal des Transmitters
T1 als 2*sin(2*Pi*t*7/1000+Phase) eingeht,
und die auf dem Weg von ihrem Träger
zum Sensor S1 einer Abschwächung von
2.2 unterliegt.Expressed in parameter sets, endogenous and exogenous inputs, the result is as follows:
There is a model mode with nonobservables τ = 10, a = 22, b = 20, c = 14, d = 3, at ρ x, endo = 1.5 and ρ y, endo = 0, into which a 0.4 Tesla 7 Hertz sinusoidal signal of the transmitter T 1 as 2 * sin (2 * Pi * t * 7/1000 + phase), and which is subject to an attenuation of 2.2 on the way from its carrier to the sensor S 1 .
Anmerkung 1: Im allgemeinen ist nicht unbedingt davon auszugehen, dass geeignete Moden durch Parameter und Inputs des gewählten Gitters erzeugt werden, d.h. es sind lokale Verfeinerungen des Gitters und/oder Interpolationen durchzuführen.Note 1: In general is not necessarily assume that suitable modes by parameters and inputs of the selected Lattices are generated, i.e. they are local refinements of the lattice and / or Perform interpolations.
Anmerkung 2: Inkonsistente Ergebnisse innerhalb einer Signalsequenz weisen darauf hin, dass während des Sendens ein oder mehrere Sprünge des quasistationären endogenen Inputs stattgefunden haben. In diesem Fall müssen nicht nur Moden mit den jeweils aktuellen endogenen Inputs für die Kalibrierung berücksichtigt werden, sondern auch solche mit anderen potentiellen Inputs.Note 2: Inconsistent results within a signal sequence indicate that during the Sending one or more jumps of the quasi-stationary endogenous inputs have taken place. In this case you don't have to only modes with the current endogenous inputs for calibration considered but also those with other potential inputs.
E 210 (Mehrere bestapproximierende Sätze von Parametern):E 210 (several best approximating Sets of Parameters):
In diesem Beispiel nicht. Eindeutigkeit ist bis auf Äquivalenz definiert. Zwei Sätze von Parametern heißen äquivalent, wenn unter allen Inputs der Grenzzyklus der jeweiligen 1-Mode ähnlich dem Grenzzyklus der jeweiligen 2-Mode ist.Not in this example. explicitness is up to equivalence Are defined. Two sentences of parameters are called equivalent, if the limit cycle of the respective 1-mode is similar to that of all inputs Limit cycle of the respective 2-mode is.
Entfällt, da in diesem Beispiel nur lokale Kalibrierung benötigt wird.Not applicable since in this example only local calibration required becomes.
D 2100, D 1200, D 1300, D 1050, D 1051: Wie vorher.D 2100, D 1200, D 1300, D 1050, D 1051: As before.
D 1010 (HAC-Ist-Verläufe):D 1010 (actual HAC profiles):
Aus den laufenden Messungen von Hirnaktivität wird Pos laufend berechnet („Laufend" := „ in geeigneten Zeitabständen"). gemäß S 500.Pos is continuously calculated from the ongoing measurements of brain activity ("Running": = "at suitable time intervals"). according to S 500.
S 2110, S 2120:S 2110, S 2120:
Wie vorher.As previously.
S 3100 (Berechnen eines oder mehren Transmittersignale):S 3100 (calculating a or more transmitter signals):
Die in der Regel unendliche Vielzahl
möglicher
Transmittersignale wird analog zur Berechnung der Testsignale reduziert.
Im einfachsten Fall werden Transmittersignale verwendet, die bereits
als Testsignale verwendet wurden. Die Transmittersignale werden
auf Machbarkeit (D 4200, D 4100, D 4300) geprüft und bezüglich vordefinierter Nutzenfunktionen
geordnet (bspw.: möglichst
niederfrequent, möglichst
kleine Feldstärke, etc.).
Das bestmögliche
Transmittersignal wird dann automatisch selektiert. Beispiel: 0.4
Tesla
S 3400 (Senden):S 3400 (send):
Senden des/der gemäß S 3100 ausgewählten Transmittersignale (hier: mit dem Transmitter T1).Send the transmitter signal (s) selected according to S 3100 (here: with the transmitter T 1 ).
D 4040 (HAC-Verlaufsprognose):D 4040 (HAC prognosis):
Die Modellmoden mit exogenen Inputs
bestimmen die entsprechende Hirnaktivität im Zeitverlauf, und liefern
eine Zeitreihe, aus deren in der Zukunft liegenden Teilen wie vorher
eine theoretische HAC-Zeitreihe berechnet wird, letztere ist die
HAC-Verlaufsprognose. Im vorliegenden Beispiel ist nur eine Modellmode
relevant, die HAC-Verlaufsprognose ergibt sich daher durch Teilen
des in
S 3500 (Vergleichen):S 3500 (compare):
Zum einen gilt hier: Subtraktion des Ist-HAC-Verlaufs aus S 2120 und des prognostizierten HAC-Verlaufs (D 4040), Betragsbildung für jede Frequenz zwischen 1 und 50 Hertz (Abweichung = Maximum dieser Beträge), zum anderen wird das Erreichen des Verhaltensziels (des Soll-HAC-Verlaufs) analog durch Vergleichen von Ist- und Sol-HAC-Verlauf ermittelt.For one thing, the following applies: subtraction the actual HAC history from S 2120 and the forecast HAC history (D 4040), amount calculation for any frequency between 1 and 50 Hertz (deviation = maximum of these amounts), at others will achieve the behavioral goal (the target HAC course) determined analogously by comparing the actual and sol HAC curve.
E 300 (Abweichung akzeptabel?):E 300 (deviation acceptable?):
Treffen die Annahmen und die Ergebnisse der Kalibrierung zu, so ist davon auszugehen, dass sich Prognose- und Ist-HAC nur unwesentlich unterscheiden, (Abweichung < vordefinierter Schwellenwert) man kann demzufolge mit dem Senden fortfahren (S 3400). Ist dieses nicht der Fall, so gilt es per numerischer Lösung der Gleichungen des Hirnmodells mit anderen endogenen Inputs (S 3600) zu prüfen, inwieweit Sprünge des stückweise stationären endogenen Inputs die Abweichung erklären.Make the assumptions and the results calibration, it can be assumed that forecasting and the actual HAC differ only insignificantly, (deviation <predefined Threshold) one can therefore continue with the transmission (p 3400). If this is not the case, the numerical solution applies to Equations of the brain model with other endogenous inputs (S 3600) to consider, to what extent jumps of the piecemeal stationary endogenous inputs to explain the deviation.
Im Falle des Nichterreichens des Verhaltensziels innerhalb der berechneten Zeitspanne erfolgt der Übergang zu S 3800, anderenfalls die Meldung „Verhaltensziel erreicht".In case the The transition takes place within the calculated time frame to S 3800, otherwise the message "behavioral goal reached".
S 3600 (Änderungsberechnung)S 3600 (change calculation)
Einsetzen von zeitweise konstanten endogenen Inputs in die vereinfachten Wilson-Cowan-Gleichungen.Occasional constant endogenous inputs to the simplified Wilson-Cowan equations.
E 310 (Konsistent?): E 310 (consistent?):
Läßt sich die Änderung aus veränderten endogenen Inputs erklären, so erfolgt eine entsprechende Änderung der Kalibrierung (ρx,endo := neuerWert , ρy,endo := neuerWert') nebst Rückkehr zu S 3100.If the change can be explained by changed endogenous inputs, the calibration is changed accordingly (ρ x, endo : = new value, ρ y, endo : = new value ') and return to S 3100.
Läßt sich die Änderung nicht aus veränderten endogenen Inputs erklären, Senden abbrechen, zurück zu S 2000. Für den unwahrscheinlichen Fall mehrerer Rückläufe zu S 2000: Anwendung abbrechen.Let yourself the change not from changed explain endogenous inputs, Cancel sending, back to S 2000. For the unlikely event of multiple returns to S 2000: cancel application.
Abschließend ist zu diesem Beispiel zu bemerken, dass das Verhaltensziel durch Kalibrieren und anschließende kontrollierte Modifikation zuverlässig erreicht wird.In conclusion to this example to notice that the behavioral goal was controlled by calibration and subsequent Modification reliable is achieved.
Beispiel 2:Example 2:
D 2000 (Verhaltensziel):D 2000 (behavioral goal):
Verstärken positiver Emotionen und Abschwächen negativer Emotionen für die Dauer der AnwendungEnhance positive emotions and weaken negative emotions for the duration of application
D 3000 (Verhaltensmodell):D 3000 (behavior model):
Davidson-Modell (siehe z.B. [11]), wonach positive Emotionen mit einem höheren Quotienten von Beta (13–30 Hz) – EEG-Aktivität zu Alpha (8–12 Hz) – EEG-Aktivität im linksfrontalen Kortex einhergehen, und negative Emotionen mit einem höheren Quotienten von Beta (13–30 Hz) – EEG-Aktivität zu Alpha (8–12 Hz) – EEG-Aktivität im rechtsfrontalen Kortex.Davidson model (see e.g. [11]), after which positive emotions with a higher quotient from beta (13-30 Hz) - EEG activity to alpha (8-12 Hz) - EEG activity in the left front Cortex go hand in hand, and negative emotions with a higher quotient from Beta (13-30 Hz) - EEG activity to alpha (8-12 Hz) - EEG activity in the right front Cortex.
S 500 (Spezifizieren HAC. Spezifizieren Soll-Verläufe von HAC):S 500 (specify HAC. Specify Target curves from HAC):
Analog zu Beispiel 1. Abgeleitete HAC sind für einen linksfrontalen Sensor S1 und für einen rechtsfrontalen Sensor S2. (fij Koeffizient der i-Hertz-Mode des Sensors j). Pos soll erhöht werden, also beispielsweise Pos(mit Einfluss) > 2*Pos(ohne Einfluss), Neg soll verringert werden, also beispielsweise Neg(mit Einfluss) < 0.5*Neg(ohne Einfluss). Diese Anforderung definieren die Soll-HAC Verläufe. Berechnung wie in Beispiel 1.Analogous to example 1. Derived HAC are for a left-front sensor S 1 and for a right-front sensor S 2 . (f ij coefficient of the i-Hertz mode of the sensor j). Pos should be increased, e.g. Pos (with influence)> 2 * Pos (without influence), Neg should be reduced, e.g. Neg (with influence) <0.5 * Neg (without influence). This requirement defines the target HAC courses. Calculation as in example 1.
D 4000 (Minimale Apparaturvoraussetzungen):D 4000 (minimum equipment requirements):
Oberflächen-EEG mit einer Elektrode S1 linksfrontal mit Referenzelektrode am linken Ohr, einer Elektrode S2 rechtsfrontal mit Referenzelektrode am rechten Ohr (s. [16]), zwei extrakranialen Spulen (Transmitter T1 und T2), wobei T1 beispielsweise auf einer an der Kopfoberfläche verlaufenden Verbindungslinie zwischen S1 und einer zentralen Elektrode Cz (s. [16]) in unmittelbarer Nähe von S1 lokalisiert ist, und T2 analog zwischen S2 und Cz, wobei die Entfernung zwischen S1 und T1 gleich der Entfernung zwischen S2 und T2 ist. Alles andere ist wie in Beispiel 1.Surface EEG with an electrode S 1 on the left front with a reference electrode on the left ear, an electrode S 2 on the right front with a reference electrode on the right ear (see [16]), two extracranial coils (transmitters T 1 and T 2 ), where T 1, for example a connecting line running on the head surface between S 1 and a central electrode Cz (see [16]) is located in the immediate vicinity of S 1 , and T 2 analogously between S 2 and Cz, the distance between S 1 and T 1 being the same is the distance between S 2 and T 2 . Everything else is as in example 1.
D 2100 (Soll-Verläufe von HAC):D 2100 (target courses of HAC):
Pos (mit Einfluss) > 2*Pos (ohne Einfluss) und Neg (mit Einfluss) < 0.5*Neg (ohne Einfluss)Pos (with influence)> 2 * Pos (without influence) and Neg (with influence) <0.5 * Neg (without influence)
D 2200 (HAC-Berechnungsvorschriften):D 2200 (HAC calculation rules):
Wie in Beispiel 1, zusätzlich für den zweiten, rechtsfrontalen Sensor .As in example 1, additionally for the second, right-frontal sensor ,
D 1000 (Generisches Hirnaktivitätsmodell):D 1000 (Generic Brain Activity Model):
Vereinfachtes Wilson-Cowan-Modell, wie in Beispiel 1.Simplified Wilson-Cowan model, as in example 1.
S 800 (Spezifizieren der Mindest-Kalibrierungsvoraussetzungen):S 800 (specifying the Minimum calibration requirements):
τ , a, b, c, d, ρX , ρY, Übersetzungoperatoren für die vier Sensor-Transmitter-Paare S1-T1, S1-T2, S2-T1, S2-T2. Wieder genügt lokales Kalibrieren, da beide frontalen Hirnbereiche keine direkten physiologischen Verbindungen aufweisen und vereinfacht als unabhängig angenommen werden.τ, a, b, c, d, ρ X , ρ Y , translation operators for the four sensor-transmitter pairs S 1 -T 1 , S 1 -T 2 , S 2 -T 1 , S 2 -T 2 . Again, local calibration is sufficient, since both frontal brain areas have no direct physiological connections and are simply assumed to be independent.
D 1100 (Mindest-Kalibrierungsvoraussetzungen):D 1100 (minimum calibration requirements):
Lokales Kalibrieren von τ , a, b, c, d, ρX , ρY, die Übersetzungoperatoren für die vier Sensor-Transmitter-Paare S1-T1, S1-T2, S2-T1, S2-T2.Local calibration of τ, a, b, c, d, ρ X , ρ Y , the translation operators for the four sensor-transmitter pairs S 1 -T 1 , S 1 -T 2 , S 2 -T 1 , S 2 - T 2 .
E 100 (Kalibrierung erforderlich?):E 100 (calibration required?):
Lokales Kalibrieren ist erforderlich.Local calibration is required.
D 4100 (Apparaturbeschränkungen):D 4100 (equipment restrictions):
Analog zu Beispiel 1, auf der Ausgangsseite beispielsweise zwei Spulen mit jeweils maximalem Magnetfeld von 0.5 Tesla.Analogous to example 1, on the output side for example two coils, each with a maximum magnetic field of 0.5 tesla.
D 4200 (Gesundheitliche Grenzwerte für exogene EM Felder): D 4200 (Health Limits for exogenous EM fields):
Wie in Beispiel 1.As in example 1.
S 2000 (Kalibrieren):S 2000 (calibration):
Siehe später.See later.
D 1200 (Spezifisches Hirnaktivitätsmodell):D 1200 (specific brain activity model):
Wie in Beispiel 1.As in example 1.
D 1300 (Quantifizierung des Einflusses exogener EM Felder auf Hirnaktivität):D 1300 (quantification the influence of exogenous EM fields on brain activity):
Wie in Beispiel 1.As in example 1.
S 3000 (Steuern oder Regeln von Hirnaktivität mit Hilfe gezielter Veränderung von Kontrollvariablen sowie Messung/ Berechnung von HAC):S 3000 (control or regulation of brain activity with the help of targeted change of control variables and measurement / calculation of HAC):
Wird beim Durchlauf durch das betreffende
Flussdiagramm (
D 1100 (Mindest-Kalibrierungsanforderungen):D 1100 (minimum calibration requirements):
Wie vorher.As previously.
D 1110 (Kalibrierungsart):D 1110 (type of calibration):
Lokal.Local.
D 1120 (Kalibrierungsumfang):D 1120 (scope of calibration):
Sensoren S1, S2, Transmitter T1, T2.Sensors S 1 , S 2 , transmitters T 1 , T 2 .
E 110 (Keine Kalibrierung?):E 110 (no calibration?):
Ja.Yes.
S 2100 (Lokales Kalibrieren):S 2100 (local calibration):
Analog zu Beispiel 1, für die vier Sensor-Transmitter-Paare S1-T1, S1-T2, S2-T2, S2-T1. Wesentliche Vereinfachung beim vierfachen Durchlaufen der lokalen Kalibrierung ist es, dass Parameter und endogene Inputs von durch S1 feststellbaren Moden bereits beim Durchlaufen der lokalen Kalibrierung für das Paar S1-T1 festgestellt werden, und somit bei der lokalen Kalibrierung für S1-T2 als gegeben angenommen werden (u.a. bei der Dekomposition). Analog für Moden im Messbereich von S2 . Es wird empfohlen, die lokale Kalibrierung eines Sensors mit demjenigen Transmitter zu beginnen, der gegenüber diesem Sensor eine minimale räumliche Distanz aufweist.Analogous to example 1, for the four sensor transmitter pairs S 1 -T 1 , S 1 -T 2 , S 2 -T 2 , S 2 -T 1 . A significant simplification when running the local calibration four times is that parameters and endogenous inputs of modes that can be determined by S 1 are already determined when the local calibration is carried out for the pair S 1 -T 1 , and thus during the local calibration for S 1 -T 2 can be taken as given (among other things in the decomposition) Analog for modes in the measuring range from S 2 . It is recommended to start the local calibration of a sensor with the transmitter that has a minimal spatial distance compared to this sensor.
Als Ergebnis der lokalen Kalibrierung
ergibt sich beispielsweise:
Für Sensor S1:
Eine
HAC-Modellmode mit unterliegenden Parametern τ = 10 , a = 22, b = 20, c =
14, d = 3, bei endogenem Inputρx = 1.5 und ρY =
0, dargestellt in
For sensor S 1 :
A HAC model mode with underlying parameters τ = 10, a = 22, b = 20, c = 14, d = 3, with endogenous input ρ x = 1.5 and ρ Y = 0, shown in
Für
Sensor S2:
Eine HAC-Modellmode mit
unterliegenden Parametern τ =
10 , a = 26, b = 20, c = 18, d = 3 bei endogenem Input ρx =
1.4 und ρy = –0.1,
dargestellt in
A HAC model mode with underlying parameters τ = 10, a = 26, b = 20, c = 18, d = 3 with endogenous input ρ x = 1.4 and ρ y = –0.1, shown in
S 2300 (Identische Hirnaktivitäten identifizieren):S 2300 (Identifying identical brain activities):
Obige Moden sind nicht identisch.The above fashions are not identical.
E 120 (Translokales Kalibrieren?):E 120 (translocal calibration?):
Nein.No.
D 1200 (Spezifisches Hirnaktivitätsmodell):D 1200 (specific brain activity model):
Wie vorher.As previously.
D 1300 (Quantifizieren des Einflusses exogener elektromagnetischer Felder auf Hirnaktivität):D 1300 (quantifying the Influence of exogenous electromagnetic fields on brain activity):
sWie vorher.as before.
Wie vorher, bzw. wie gerade unter S 2100 dargestellt.As before, or as just below S 2100 shown.
Enfällt, da nur lokale Kalibrierung benötigt wird.Not applicable because only local calibration needed becomes.
Analog zu Beispiel 1, bis auf S 3100,
was im folgenden näher
erläutert
werden soll: Beispielsweise wird ein 0.2 Tesla 7 Hertz Signal des
Transmitters T1 mit einem 0.4 Tesla 10 Hertz
Signal des Transmitters T2 kombiniert. Die
linksfrontale (Sensor S1) Mode erhält dadurch
den exogenen Input ρexo = 2*sin(2πt *7/1000) + 2*sin(2πt * 10/1000)
, die rechtsfrontale Mode (Sensor S2) den
exogenen Input ρexo = 4*sin(2πt*10/1000). Neg(mit Einfluss) < 0.5*Neg(ohne Einfluss)
lässt sich
direkt aus
Beispiel 3:Example 3:
Beispiel 3 soll nicht in der gleichen Ausführlichkeit wie die vorangegangenen Beispiele (z.B. sämtliche Moden, lokale Kalibrierung aller Sensor-Transmitter-Paare, etc) erläutert werden, sondern hauptsächlich bezüglich wesentlicher Abweichungen von den vorangegangenen Beispielen:Example 3 is not meant to be in the same detail like the previous examples (e.g. all modes, local calibration all sensor-transmitter pairs, etc) explained but mainly in terms of Significant deviations from the previous examples:
D 2000 (Verhaltensziel):D 2000 (behavioral goal):
Verlängern mentaler Aufmerksamkeit für die Dauer der Anwendung.Prolong mental awareness for the Duration of application.
D 3000 (Verhaltensmodell):D 3000 (behavior model):
Basierend bspw. auf [20] und [21], geht Fmθ (Frontal midline theta), also 6–7 HZ Aktivität im Bereich der Fz-Elektrode (s. [16]) mit der Aufrechterhaltung konzentrierter Aufmerksamkeit bei mentaler Prozessen einher. Diese Feststellung wird im folgenden als Ishihara-Yoshii-Modell bezeichnet. Oberflächennahe Neuronen im Messbereich des Fz-Sensors sind mit einigen anderen Bereichen direkt verbunden, insbesondere wurde subkortikales Driving festgestellt. Leistungsspektrum und dessen Berechnung wie vorher statt Pos oder Neg diesmal für jeden Sensor (max = 50)Based on, for example, [20] and [21], Fmθ (Frontal midline theta), ie 6–7 HZ activity in the area of the Fz electrode (see [16]) goes hand in hand with the maintenance of focused attention in mental processes. This is referred to as the Ishihara-Yoshii model. Near-surface neurons in the measurement area of the Fz sensor are directly connected to some other areas, in particular subcortical driving was found. Range of services and its calculation as before instead of Pos or Neg this time for each sensor (max = 50)
D 4000 (Minimale Apparaturvoraussetzungen)D 4000 (minimum equipment requirements)
Zur Feststellung etwaiger Ausbereitungsphänomene ist es sinnvoll, die Fz-Elektrode durch zumindest eine benachbarte Elektrode mit physiologisch direkt mit dem Messbereich der Fz-Elektrode verbundenem Messbereich zu ergänzen (beispielsweise der Cz-Elektrode), d.h. Oberflächen-EEG mit zwei Elektroden und zwei Referenzelektroden (wie in [21] dargestellt). Zwei Spulen als Transmitter sind jeweils in unmittelbarer Nähe der betreffenden Elektrode extrakranial lokalisiert: T1 anterior bezüglich Fz, T2 posterior bezüglich Cz. Alles andere wie in Beispiel 1.To determine any preparation phenomena, it makes sense to supplement the Fz electrode with at least one adjacent electrode with a measuring range that is physiologically directly connected to the measuring area of the Fz electrode (for example, the Cz electrode), i.e. surface EEG with two electrodes and two reference electrodes ( as shown in [21]). Two coils as transmitters are located extra-cranially in the immediate vicinity of the relevant electrode: T 1 anterior with respect to Fz, T 2 posterior with respect to Cz. Everything else as in example 1.
D 2100 (Soll-Verläufe von HAC):D 2100 (target courses of HAC):
Beispielsweise: Att1(mit Einfluss)= Att1(ohne Einfluss, bei vollem Driving), Att2(mit Einfluss)<= Att2(ohne Einfluss). Hierbei steht „1" für „Fz und Referenzelektrode", „2" für Cz und Referenzelektrode", „=" steht für „die rechte Seite weicht nicht mehr als 20% von der linken Seite ab".For example: Att 1 (with influence) = Att 1 (without influence, with full driving), Att 2 (with influence) <= Att 2 (without influence). Here, "1" stands for "Fz and reference electrode", "2" for Cz and reference electrode "," = "stands for" the right side does not deviate more than 20% from the left side ".
D 2200 (HAC-Berechnungsvorschriften): Leistungsspektrum wie in Beispiel 1, zusätzlich für jeden der zwei Sensoren D 2200 (HAC calculation regulations): range of services as in example 1, additionally for each of the two sensors
D 1000 (Generisches Hirnaktivitätsmodell):D 1000 (Generic Brain Activity Model):
Vereinfachtes Wilson-Cowan-Modell, wie in Beispiel 1, wobei jetzt die Rolle translokaler Effekte genauer betrachtet wird und die Konstanzannahme für den endogenen Input aufgegeben wird. Der endogene Input in die Gesamtheit der erregenden Einzelneuronen des j-ten Oszillators läßt sich im einfachsten Fall der translokalen Kalibrierung aufs alten in . Hierbei stellt „hji" die Stärke des Einflusses des I-ten auf den j-ten neuralen Oszillator dar, und das betreffende Δ die Verzögerung des Wirksamwerdens dieses Einflusses.Simplified Wilson-Cowan model, as in example 1, whereby the role of translocal effects is now considered more closely and the assumption of constancy for endogenous input is abandoned. In the simplest case of translocal calibration, the endogenous input into the entirety of the exciting individual neurons of the jth oscillator can be applied to the old in , Here, "h ji " represents the strength of the influence of the ith on the jth neural oscillator, and the Δ in question represents the delay in the effect of this influence.
S 800 (Spezifizieren der Mindest-Kalibrierungsvoraussetzungen):S 800 (specifying the Minimum calibration requirements):
Wie in Beispiel 2, plus Funktionalmatrix. Lokales und translokales Kalibrieren erforderlich.As in example 2, plus functional matrix. Local and translocal calibration required.
D 1100 (Mindest-Kalibrierungsvoraussetzungen):D 1100 (minimum calibration requirements):
Wie in Beispiel 2, plus Funktionalmatrix.As in example 2, plus functional matrix.
E 100 (Kalibrierung erforderlich?):E 100 (calibration required?):
Ja.Yes.
D 4100 (Apparaturbeschränkungen):D 4100 (equipment restrictions):
Analog Beispiel 2.Analogous to example 2.
D 4200 (Gesundheitliche Grenzwerte für exogene elektromagnetische Felder):D 4200 (Health Limits for exogenous electromagnetic fields):
Wie in Beispiel 2.As in example 2.
S 2000 (Kalibrieren):S 2000 (calibration):
Wird beim Durchlauf durch die Flussdiagramme
(
D 1200 (Spezifisches Hirnaktivitätsmodell):D 1200 (specific brain activity model):
Wie in Beispiel 1.As in example 1.
D 1300 (Quantifizieren des Einflusses exogener EM Felder auf Hirnaktivität):D 1300 (quantifying the Influence of exogenous EM fields on brain activity):
Wie in Beispiel 1.As in example 1.
S 3000 (Steuern oder Regeln von Hirnaktivität mit Hilfe gezielter Veränderung von Kontrollvariablen sowie Messung/Berechnung von HAC):S 3000 (control or regulation of brain activity with the help of targeted change of control variables and measurement / calculation of HAC):
Wird beim Durchlauf durch das Flussdiagramm
(
D 1100 (Mindest-Kalibrierungsanforderungen):D 1100 (minimum calibration requirements):
Wie vorher.As previously.
D 1110 (Kalibrierungsart):D 1110 (type of calibration):
Translokal (beinhaltet lokal).Translocal (includes local).
D 1120 (Kalibrierungsumfang):D 1120 (scope of calibration):
Wie in Beispiel 2.As in example 2.
S 2100 (Lokales Kalibrieren): S 2100 (local calibration):
Wird beim Durchlauf durch die Flussdiagramme
(
S 2300 (Identische Hirnaktivitäten identifizieren):S 2300 (Identifying identical brain activities):
Analog zu Beispiel 2.Analogous to example 2.
E 120 (Translokale Kalibrierung?):E 120 (translocal calibration?):
JaYes
S 2400 (Translokales Kalibrieren):S 2400 (translocal calibration):
Wird bei
D 1200, D 1300:D 1200, D 1300:
Wie in Beispiel 2, plus Funktionalmatrix.As in example 2, plus functional matrix.
Analog zu Beispiel 2. Von Interesse
ist jetzt bspw. mit Abschwächungsfaktor
1 im Messbereich von Sensor S1 eine HAC-Modellmode
mit unterliegenden Parametern τ =
10 , a = 16, b = 20, c = 8, d = 3, bei endogenem Inputρx =
1.5 + m*sin(2*π*t*7/1000)
und ρY = 1.5 + m*sin(2*π*t*7/1000), dargestellt für m = 0
in
Lokale Kalibrierung umfasst hier
sinnvollerweise Phasenverschiebung von Testsignalen. Das HAC-Minimum
der getriebenen Mode liefert die zum Ausschalten der Mode benötigte Phasenverschiebung
?. Beispielsweise soll ein T1 0.5 Tesla
7 Hertz um ? verschobenes Sinussignal als exogener Input die Gestalt 0.2*sin(–2*Pi*t*7/1000)
annehmen, und demzufolge den neuralen Oszillator ausschalten (Ergebnis
hiervon siehe
Einzige S2-Mode ist beispielsweise die S1-Mode aus Beispiel 1, aber mit einem Abschwächungsfaktor von 4.4. Beide o.g. T1-Signale sollen auf die S2-Mode keinen Einfluss haben, ebenso wenig wie 0.1 Tesla Sinussignale von T2 auf die Theta-Mode.The only S 2 mode is, for example, the S 1 mode from Example 1, but with an attenuation factor of 4.4. Both of the above-mentioned T 1 signals should have no influence on the S 2 mode, and neither should 0.1 Tesla sine signals from T 2 on the theta mode.
Analog zu Beispiel 2.Analogous to example 2.
D 1300 (Übersetzungsoperatoren):D 1300 (translation operators):
Falls i und k verschieden sind, sind
diese Übersetzungsoperatoren
bspw. für
die beiden Signale (Elementarloop bzw. 10 Hz Sinussignale mit den
genannten Feldstärken),
wie gerade zu
S 2410 (HAC-Prognose):S 2410 (HAC forecast):
Wie vorher.As previously.
Für die S1-Mode: S 2420 (Ändern):For the S 1 mode: S 2420 (change):
Beispiel: Senden eines T1 0.5 Tesla 7 Hertz um rθ verschobenen Sinussignal schaltet die S1-Mode aus.Example: Sending a T 1 0.5 Tesla 7 Hertz sine signal shifted by rθ switches the S 1 mode off.
Für die S1-Mode: S 2430 (Ermitteln der S2-Lücke):For the S 1 mode: S 2430 (determining the S 2 gap):
Das Prognose-HAC für S2 ergibt sich, da die T1-Signale keine direkte Wirkung auf die S2-Mode haben, aus deren unveränderter Fortsetzung, dieses soll mit dem S2-Ist-HAC übereinstimmen.The forecast HAC for S 2 results, since the T 1 signals have no direct effect on the S 2 mode, from their unchanged continuation, which should match the S 2 actual HAC.
Für die S2-Mode: S 2420 (Ändern):For the S 2 mode: S 2420 (change):
Beispiel: Frequenzverschieben der S2-Mode auf eine Grundfrequenz von 11 Hertz.Example: Frequency shifting of the S 2 mode to a basic frequency of 11 Hertz.
Für die S2-Mode: S 2430 (Ermitteln der S1-Lücke):For the S 2 mode: S 2430 (determining the S 1 gap):
Das Prognose-HAC für S1 ergibt sich, da die T2-Signale
keine direkte Wirkung auf die S1-Mode haben, aus
deren unveränderter
Fortsetzung, dieses soll mit dem S1-Ist-HAC übereinstimmen.
Hier ergibt sich beispielsweise eine Veränderung der in
S 2440 (Rückrechnen auf lückenerklärende Funktionalmatrizen):S 2440 (back calculation on functional matrices explaining gaps):
sKeine Lücke bei S1-Veränderung, daher ist die Zelle (1,2) gleich Null. (Mode 1:= die dargestellte S1-Mode, Mode 2:= die dargestellte S2-Mode).s No gap in S 1 change, therefore cell (1,2) is zero. (Mode 1: = the S 1 mode shown, Mode 2: = the S 2 mode shown).
Mehrdeutige Lücke bei Zelle (2,1).Ambiguous gap in cell (2,1).
E 400 (Eindeutig?):E 400 (unique?):
Prüfen, ob mehr als eine Funktionalmatrix sich als Ergebnis von S 2440 ergibt. Wenn man sich in der jeweiligen Anwendung nicht für beliebige Zusammenhänge zwischen Hirnaktivitäten interessiert, sondern nur für bestimmte Zusammenhänge, beispielsweise nur zwischen den Hirnaktivitäten i und j, so genügt es, die (i,j)-te und die (j,i)-Zelle der Funktionalmatrix eindeutig zu füllen. Im vorliegenden Beispiel interessiert lediglich, ob HAC-erhaltende Veränderungen der Mode 1 sich ausbreiten, d.h. Mode 2 verändern, hierfür genügt die Betrachtung der Zelle (1,2), und diese hat den Wert Null.Check for more than one functional matrix results from S 2440. If you look at each Not for use any connections between brain activities interested, but only for certain relationships, for example, only between the brain activities i and j, it is sufficient to use the (i, j) th and clearly fill the (j, i) cell of the functional matrix. in the This example is only interested in whether HAC-preserving changes mode 1 is spreading, i.e. Change mode 2, for this it is sufficient to consider the cell (1,2), and this has the value zero.
S 2221 (Signal ändern):S 2221 (change signal):
Beispielsweise Erzeugen von Frequenzverschiebungen, Phasenverschiebungen, Amplitudenänderungen, Stationarität ändern, Rauschen hinzufügen, Ljapunov-Exponenten verändern, u.v.m., was im vorliegenden Beispiel nicht weiter benötigt wird.For example generating frequency shifts, Phase shifts, amplitude changes, Change stationarity, noise Add, Change Ljapunov exponents, and much more, which is no longer required in the present example.
D 2410 (Funktionalmatrix):D 2410 (functional matrix):
Das Ergebnis umfasst jeweils eine Funktionalmatrix, die hier bspw. folgende Gestalt hat: The result includes a functional matrix, which has the following form, for example:
Analog zu Beispiel 2. Im vorliegenden
Beispiel wird das Fmθ bei
beispielsweise auf Null gesunkenem Driving (s.
Erläuterungen und Anmerkungen:Explanations and notes:
Zu D 1000:
Ein Hirnaktivitätsmodell
ist eine Menge von Differenzen- und/oder Differentialgleichungen
bspw. der Gestalt
A brain activity model is a set of difference and / or differential equations, e.g. shape
Verschieden Hirnaktivitätsmodelle führen zu verschiedenen Kalibrierungsergebnissen, mit eventuell verschiedenen resultierenden Modifikationen. Für geeignete Hirnaktivitätsmodelle wird das Verhaltensziel zuverlässig erreicht.Different models of brain activity to lead to different calibration results, with possibly different ones resulting modifications. For appropriate brain activity models the behavioral goal becomes reliable reached.
Zu S 2000:
Die Nichtlinearität des Systems
gestattet es, durch geeignete Variation eines Transmittersignals
möglichst
kleiner Feldstärke
(„Testsignal")
die nichtbeobachtbaren Größen inklusive
des Übersetzungsoperators Ü zu bestimmen.For S 2000:
The nonlinearity of the system makes it possible to determine the non-observable variables including the translation operator Ü by suitable variation of a transmitter signal with a field strength that is as small as possible (“test signal”).
Die dynamische Kalibrierung unterscheidet sich sowohl von vorhandenen mathematischen Methoden zur Parameterschätzung (die in der Regel Verteilungsannahmen der als Zufallsvariable betrachteten Parameter voraussetzen, und durch Beobachten des Verlaufs von Trajektorien über die Annahme einer zunehmenden Annäherung von aus den Beobachtungen errechneten und den wahren Parametern auf die Werte letzterer rückschließen, siehe z.B. [7]), als auch von aus den Ingenieurwissenschaften bekannten adaptiven Regelungen/Parameterschätzungen (diese sind im wesentlichen nur für lineare zeitinvariante Systeme brauchbar, allgemein tastet man sich als Bestandteil der Regelung mit sehr einfachen Funktionen als Stellgrößen über eine Minimierung von „ideale Regelgröße minus tatsächliche Regelgröße" voran, siehe z.B. [8]).The dynamic calibration makes a difference differ from existing mathematical methods for parameter estimation (the usually distribution assumptions of those considered as random variables Assume parameters, and by observing the course of trajectories over the Assumption of increasing convergence from the observations and the true parameters deduce the values of the latter, see e.g. [7]), as well as from the engineering sciences adaptive regulations / parameter estimates (these are essentially only for linear time invariant systems can be used, in general you feel yourself as part of the control with very simple functions as manipulated variables via minimization from "ideal Control variable minus actual Controlled variable ", see e.g. [8th]).
Dynamische Kalibrierung basiert im Unterschied zur „passiven Messung" (konventionellen nichtinvasiven in-vivo Beobachtung) der dargestellten mathematischen Verfahren auf „aktiver Messung" (Übertragung von Signalen in das betreffende System, sowie Messung des Systems in Interaktion mit dem Signal). Das Ergebnis aktiver Messung ist vielfach in nichtlinearen deterministischen und/oder nichtlinearen stochastischen Systemen (wie dem menschlichen Gehirn) deutlich verschieden von den in der Messung linearer Systeme üblichen Impuls- oder Sprungantworten, oder ähnlichem (z.B. Stochastische Resonanz).Dynamic calibration is based on Difference to the "passive Measurement "(conventional non-invasive in vivo observation) of the mathematical method shown on "active measurement" (transmission of Signals in the system in question, as well as measuring the system in Interaction with the signal). The result of active measurement is multiple in nonlinear deterministic and / or nonlinear stochastic systems (like the human brain) significantly different from those in the Measurement of linear systems usual Pulse or jump responses, or the like (e.g. stochastic Resonance).
Im Unterschied zu bekannten adaptiven Regelungen/Parameterschätzungen ist die Dynamische Kalibrierung erstens ein im Normalfall von einer Regelung zu separierender und dieser vorangehender Prozeß, zweitens liegt bei der Dynamischen Kalibrierung das Hauptaugenmerk auf den verwendeten Testfunktionen, deren Vielfalt, und damit Trennfähigkeit zwischen verschiedenen Sätzen von Nichtobservablen der Komplexität des zu untersuchenden Systems angemessen ist (im Gegensatz zu einfachen Testfunktionen, wie Heaviside-Funktionen o.ä., deren Systemantwort vielfach über lange Zeiträume beobachtet werden muß, was im in-vivo Fall ebenfalls nicht zumutbar ist), drittens ist die Art der Approximation an einen die Meßwerte erklärenden Parametersatz grundverschieden (s. Eichrecherche, diese verkleinert Teilmengen einer diskretisierten Parametermannigfaltigkeit, bis nur noch äquivalente Parametersätze übrig bleiben, im Gegensatz zum Soll-Ist-Vergleich von Reglergrößen).In contrast to known adaptive Rules / parameter estimates First, dynamic calibration is usually one Second, regulation to be separated and this preceding process the main focus of dynamic calibration is on the used test functions, their diversity, and thus separability between different sentences of non-observables of the complexity of the system under investigation is appropriate (as opposed to simple test functions such as Heaviside functions or similar, whose System response often over long periods must be observed which is also unreasonable in the in-vivo case), third the type of approximation to a parameter set that explains the measured values is fundamentally different (see calibration research, this reduces subsets of a discretized Variety of parameters until only equivalent parameter sets remain, in contrast to the target-actual comparison of controller variables).
Des weiteren liefert Dynamische Kalibrierung zusätzlich zur Feststellung der Nichtobservablen die im Falle heterogener und/oder komplexer Systeme entscheidenden unbekannten Übersetzungsoperatoren von Kenngrößen systemextern erzeugter Felder (z.B. Feldstärke und/oder Frequenzmuster extrakranialer Magnetfelder) in exogenen Input der Systemgleichungen.Dynamic calibration also provides additionally to determine the non-observables in the case of heterogeneous and / or complex systems crucial unknown translation operators of parameters external to the system generated fields (e.g. field strength and / or frequency patterns of extracranial magnetic fields) in exogenous Input of the system equations.
Zu D 2410:
Eine Funktionalmatrix
ergibt sich als mxm Matrix aller m beobachteten verschiedenen Hirnaktivitäten, wobei die
Zelle mij = 0 ist, falls keine funktionale
Verbindung von der j-ten Aktivität
zur i-ten Aktivität
zu ermitteln ist. Funktionale Verbindungen zwischen Hirnaktivitäten setzen
physiologische Verbindungen der unterliegenden Hirnbestandteile
voraus, letztere Verbindungen gestatten aber keine Aussage über die
Kopplung von Hirnaktivitäten.
Mögliche
Funktionalmatrizen sind solche, die nach Parameterdiskretisierung
mit den Beobachtungen kompatible Lösungen für die Gesamtheit der beobachteten
Hirnaktivitäten
liefern, wobei in den Gleichungen für eine Hirnaktivität zi deren endogener Input ersetzt wird durch
bspw. Residualinput + Summe aller vorgelagerten Aktivitäten zj* jeweilige Einflussstärke* zj(t-Verzögerung).
(„A vorgelagert
B" heißt „Veränderung
von A verändert
B", äquivalent
hierzu: B nachgelagert A.)sFor D 2410:
A functional matrix results as the mxm matrix of all m observed different brain activities, the cell m ij = 0 if no functional connection from the jth activity to the ith activity can be determined. Functional connections between brain activities require physiological connections of the underlying brain components, but the latter connections do not allow any information about the coupling of brain activities. Possible functional matrices are those that, after parameter discretization, provide solutions that are compatible with the observations for the entirety of the observed brain activities, whereby in the equations for a brain activity z i its endogenous input is replaced by, for example, residual input + sum of all upstream activities z j * respective influence strength * z j (t-delay). ("A upstream B" means "change from A changes B", equivalent to: B downstream A.) s
In einer vorteilhaften Ausgestaltung wird die Kalibrierung nach n > 0 Testsignalen abgebrochen („Schnellkalibrierung"), ein mit den Messwerten kompatibler Satz von Parametern sowie Endogenen und Exogenen Inputs als Kalibrierungsergebnis vorläufig festgelegt. Sich im Rahmen der Modifikation (S3000) ergebnde zusätzliche Meßwerte werden laufen zur Anpassung des oben genannten Satzes verwendet.In an advantageous embodiment the calibration becomes n> 0 Test signals aborted ("quick calibration"), a set of parameters and endogenes compatible with the measured values and exogenous inputs provisionally determined as the calibration result. Additional resulting from the modification (S3000) readings are used to adapt the above sentence.
In einer vorteilhaften Ausgestaltung werden Einflussannahmen und Invarianten (D1049, D1050) validiert.In an advantageous embodiment assumptions of influence and invariants (D1049, D1050) are validated.
In einer vorteilhaften Ausgestaltung wird das EM Verfahren mit sensorischem Input (akustisch, optisch, u.a.) kombiniert. Beispiel: Instruktion an den Anwender in Beispiel 3, mit Beginn der Kalibrierung eine mentale Aufgabe (s. beispw. [20]) durchzuführen, wodurch das Auffinden geeigneter Fmθ-Moden erleichtert wird. Anderes Beispiel: Akustisches Pacemaking zur translokalen Kalibrierung auditorischer Hirnprozesse.In an advantageous embodiment is the EM process with sensory input (acoustic, optical, etc.) combined. Example: Instructions to the user in example 3, a mental task with the start of calibration (see example [20]) perform, making it easier to find suitable Fmθ modes. Other Example: Acoustic pacemaking for translocal calibration of auditory Brain processes.
In einer vorteilhaften Ausgestaltung wird der Effekt des Verfahrens mit Hilfe geeigneter, für den einzelnen Anwender zu per externer Validierung zu ermittelnder Wiederholungsraten über die Dauer der einzelnen Anwendung hinaus stabilisiert. Diese Auswirkung geeigneter Wiederholungsraten ist bspw. für Anwendungen von TMS (transkranialer Magnetstimulation mit Magnetfeldern von 1-2 Tesla) bekannt (s. z. B. [3]).In an advantageous embodiment, the effect of the method is stabilized beyond the duration of the individual application with the aid of suitable repetition rates to be determined for the individual user via external validation. This effect of suitable repetition rates is, for example, for applications known from TMS (transcranial magnetic stimulation with magnetic fields of 1-2 Tesla) (see for example [3]).
In einer vorteilhaften Ausgestaltung wird zusammen mit der Kalibrierung Sensoroptimierung betrieben: Zuschalten vorher inaktiver Sensoren und/oder Positionsveränderung von Sensoren und/oder Ausrichtungsveränderung von Sensoren solcherart, dass diese identifizierte und/oder nichtidentifizierte Hirnaktivitäten vom betreffenden, ggf. neu ausgerichteten Sensor besonders gut erfasst werden. Zur Sensoroptimierung sind herkömmliche Optimierungsverfahren geeignet.In an advantageous embodiment is operated together with the calibration sensor optimization: switch on previously inactive sensors and / or change in position of sensors and / or alignment change sensors in such a way that they are identified and / or unidentified brain activity particularly well detected by the relevant, possibly realigned sensor become. Conventional optimization methods are used for sensor optimization suitable.
In einer vorteilhaften Ausgestaltung wird zusammen mit der Kalibrierung Sensoroptimierung durch Zusammenschalten existierender Sensoren zu virtuellen Sensoren betrieben, solcherart dass Hirnaktivitäten vom betreffenden virtuellen Sensor besonders gut erfasst werden. Beispiel: S1, S2, S3, S4, über eine Funktion f(S1, S2, S3, S4) = 0.3*S1 + 0.5*S2 + 0.02*(S3)2 + 0.5*sin(S1 + S4) zu Svirtuell zusammengeschaltet. Ein geeignetes f wird für jede Teilmenge von Sensoren mit Hilfe herkömmliche Optimierungsverfahren ermittelt.In an advantageous embodiment, together with the calibration, sensor optimization is carried out by interconnecting existing sensors to form virtual sensors, in such a way that brain activities are recorded particularly well by the relevant virtual sensor. Example: S 1 , S 2 , S 3 , S 4 , via a function f (S 1 , S 2 , S 3 , S 4 ) = 0.3 * S 1 + 0.5 * S 2 + 0.02 * (S 3 ) 2 + 0.5 * sin (S 1 + S 4 ) connected to S virtually . A suitable f is determined for each subset of sensors using conventional optimization methods.
In einer vorteilhaften Ausgestaltung wird zusammen mit der Kalibrierung Transmitteroptimierung betrieben: Zuschalten vorher inaktiver Transmitter und/oder Positionsveränderung von Transmittern und/oder Ausrichtungsveränderung von Transmittern solcherart, dass diese Hirnaktivitäten vom betreffenden, ggf. neu ausgerichteten Transmitter besonders gut beeinflusst werden. Zur Transmitteroptimierung sind herkömmliche Optimierungsverfahren geeignet.In an advantageous embodiment is operated together with the calibration transmitter optimization: Switch on previously inactive transmitter and / or change of position of transmitters and / or change of orientation of transmitters in such a way that these brain activities especially of the relevant, possibly realigned transmitter be influenced well. Conventional optimization methods are used for transmitter optimization suitable.
In einer vorteilhaften Ausgestaltung wird zusammen mit der Kalibrierung Transmitteroptimierung durch Zusammenschalten existierender Transmitter zu virtuellen Transmittern betrieben, solcherart dass Hirnaktivitäten vom betreffenden virtuellen Transmitter besonders gut beeinflusst werden. Das Optimum (der virtuelle Transmitter) ergibt sich aus den Übersetzungsoperatoren mit Hilfe herkömmlicher Optimierungsverfahren In einer vorteilhaften Ausgestaltung von S 2130 wird die Dekomposition für n Sensoren (n ganze Zahl zwischen 1 und der Maximalzahl der verwendeten Sensoren) gleichzeitig durchgeführt, dh. die zu zerlegende Zeitreihe ist ein n-Tupel von Ein-Sensor-Zeitreihen.In an advantageous embodiment is combined with the calibration transmitter optimization by interconnection existing transmitter operated to virtual transmitters, such that brain activity influenced particularly well by the relevant virtual transmitter become. The optimum (the virtual transmitter) results from the translation operators with the help of conventional Optimization method In an advantageous embodiment of S 2130 will be the decomposition for n sensors (n integer between 1 and the maximum number of sensors used Sensors) carried out simultaneously, ie. the time series to be broken down is an n-tuple of one-sensor time series.
In einer vorteilhaften Ausgestaltung von S 2130 wird die Dekomposition für ein n-Tupel von Ein-Sensor-Zeitreihen mit Pursuit-Verfahren durchgeführt (z.B. Matching Pursuit, s.[13]).In an advantageous embodiment from S 2130 the decomposition for an n-tuple of one-sensor time series performed with pursuit procedure (e.g. Matching Pursuit, see [13]).
In einer weiteren vorteilhaften Ausgestaltung von S 2130 erfolgt die spatiotemporale Dekomposition des n-Tupels von Ein-Sensor-Zeitreihen beispielsweise mit dem Karhunen-Loève-Verfahren (s. z.B. [17], [18]) oder Independent Component Analysis („ICA", s. bspw. [22]).In a further advantageous embodiment from S 2130 the spatiotemporal decomposition of the n-tuple takes place of single-sensor time series, for example with the Karhunen-Loève method (see e.g. [17], [18]) or Independent Component Analysis ("ICA", s. e.g. [22]).
In einer weiteren vorteilhaften Ausgestaltung von S 2130 erfolgt die Dekomposition nach Einbettung in einen Metaphasenraum, wodurch stationäre und nichtstationäre Anteile getrennt werden (s. beispw. [15]).In a further advantageous embodiment S 2130 is decomposed after being embedded in a metaphase space, making stationary and non-stationary Shares are separated (see, for example, [15]).
In einer vorteilhaften Ausgestaltung von S 2130 erfolgt die Dekomposition parallel nach mehreren Verfahren, wobei nur die (mit einer a-priori definierten Gewichtung) von einer Mehrzahl dieser Verfahren identifizierten Moden zur Weiterverarbeitung (u.a. Relevanzprüfung) akzeptiert werden.In an advantageous embodiment S 2130 is decomposed in parallel using several methods, whereby only those (with a priori defined weighting) of one Most of these methods identified modes for further processing (including relevance check) be accepted.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Wahrnehmung und/oder Wahrnehmungsfähigkeit und/oder Wahrnehmungsbereitschaft als Verhaltensziel gesetzt. Beispiel hierfür ist u.a. die Veränderung der Diskriminationsfähigkeit für bestimmte Reize oder Klassen von Reizen.In an advantageous embodiment from D 2000 is the change or no change of perception and / or ability to perceive and / or willingness to perceive set as a behavioral goal. An example of this is the change the ability to discriminate for certain Stimuli or classes of stimuli.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Handlungen und/oder Handlungsfähigkeit und/oder Handlungsbereitschaft als Verhaltensziel gesetzt. Beispiel hierfür ist u.a. die Verbesserung von Reaktionsgeschwindigkeit.In an advantageous embodiment from D 2000 is the change or no change of actions and / or ability to act and / or willingness to act set as a behavioral goal. An example of this is the improvement of reaction speed.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Aktivierung und/oder Aktivierungsfähigkeit als Verhaltensziel gesetzt.In an advantageous embodiment from D 2000 is the change or no change of activation and / or activation ability as a behavioral goal set.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Motivation und/oder Motivierungsfähigkeit und/oder Motivierungsbereitschaft als Verhaltensziel gesetzt.In an advantageous embodiment from D 2000 is the change or no change of motivation and / or ability to motivate and / or motivation set as a behavior goal.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Aufmerksamkeit und/oder Aufmerksamkeitsfähigkeit als Verhaltensziel gesetzt.In an advantageous embodiment from D 2000 is the change or no change of attention and / or attention ability as a behavioral goal set.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Gedächtnis und/oder Gedächtnisinhalten und/oder Gedächtniszugriff als Verhaltensziel gesetzt.In an advantageous embodiment from D 2000 is the change or no change of memory and / or memory content and / or memory access set as a behavior goal.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Lernen und/oder Lernfähigkeit und/oder Lernbereitschaft als Verhaltensziel gesetzt.In an advantageous embodiment from D 2000 is the change or no change of learning and / or learning ability and / or willingness to learn as a behavioral goal.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Bewußtsein als Verhaltensziel gesetzt.In an advantageous embodiment from D 2000 is the change or no change of consciousness set as a behavior goal.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Emotionen und/oder Emotionsfähigkeit und/oder Emotionsbereitschaft als Verhaltensziel gesetzt.In an advantageous embodiment from D 2000 is the change or no change of emotions and / or emotional ability and / or willingness to emotion as a behavioral goal.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Appetenzen und/oder Aversionen als Verhaltensziel gesetzt.In an advantageous embodiment from D 2000 is the change or no change of appetites and / or aversions as a behavioral goal.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Denken und/oder Denkfähigkeit und/oder Denkbereitschaft als Verhaltensziel gesetzt. („Denken" wird hier als „Durchführung mentaler Prozesse" definiert.).In an advantageous embodiment from D 2000 is the change or no change of thinking and / or thinking ability and / or willingness to think as a behavioral goal. ("Think" is referred to here as "performing mental Processes ".).
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Verhaltensabläufen als Verhaltensziel gesetzt.In an advantageous embodiment of D 2000, the change or non-change of Ver holding processes as a behavioral goal.
In einer vorteilhaften Ausgestaltung von D 2000 wird die Veränderung oder Nichtveränderung von Verhaltenskorrelationen als Verhaltensziel gesetzt.In an advantageous embodiment from D 2000 is the change or no change of behavioral correlations as a behavioral goal.
In einer vorteilhaften Ausgestaltung von D 2000 werden mehrere kompatible Verhaltensziele kombiniert.In an advantageous embodiment D 2000 combines several compatible behavioral goals.
In einer vorteilhaften Ausgestaltung von D 2000 werden mehrere nicht notwendigerweise kompatible Verhaltensziele hierarchisch kombiniert, dh. es wird eine Prioritätsliste der Verhaltensziele aufgestellt und bei gegebenenfalls einander widersprechenden Verfahrenschritten die zum niedriger priorisierten Verhaltensziel gehörigen Verfahrensschritte später oder gar nicht ausgeführt.In an advantageous embodiment D 2000 makes several behavior goals that are not necessarily compatible hierarchically combined, ie. it becomes a priority list of behavioral goals and, if necessary, each other contradicting procedural steps to lower priority Behavior goal Process steps later or not executed at all.
In einer vorteilhaften Ausgestaltung von D 2000 wird zu anderen Verhaltenszielen dasjenige der Anfallsfreiheit mit oberster Priorität hinzugefügt, was eine Anwendung von [9] auf nicht medizinisch vorbelastete Anwender beinhaltet.In an advantageous embodiment from D 2000 to other behavioral goals that of freedom from seizures with top priority added what an application of [9] to non medically stressed users includes.
In einer vorteilhaften Ausgestaltung von D 3000 wird das benötigte Verhaltensmodell der äußerst umfangreichen Literatur entnommen (z.B. für die vorgestellten Beispiele aus [11], [20], [21] jeweils Dutzende von Veröffentlichungen mit gleichem/ähnlichem Gegenstand).In an advantageous embodiment D 3000 will do the job Behavioral model of the extremely extensive Literature taken (e.g. for the presented examples from [11], [20], [21] each dozens of publications with the same / similar Object).
In einer vorteilhaften Ausgestaltung von D 3000 werden mehrere Verhaltensmodelle parallel verwendet, wobei nur diejenigen Steuerungs- oder Regelungsschritte (S 3000) durchgeführt werden, die (mit einer a-priori definierten Gewichtung) mit einer Mehrzahl dieser Modelle kompatibel sindIn an advantageous embodiment D 3000 uses several behavior models in parallel, only those control or regulation steps (S 3000) carried out be the (with an a priori defined weighting) with a Most of these models are compatible
In einer vorteilhaften Ausgestaltung erfolgt mit Hilfe von i.d.R. psychologischen Tests externe Validierung der Verhaltensänderung/-aufrechterhaltung für den einzelnen Anwender während und/oder nach der EM Anwendung. Hierdurch wird geprüft, in welchem Umfang das verwendete, i.d.R. statistisch validierte Verhaltensmodell auf den betreffenden Anwender zutrifft.In an advantageous embodiment usually with the help of psychological tests external validation behavior change / maintenance for the individual users during and / or after the EM application. This will check which one Scope of the used, usually statistically validated behavior model applies to the user concerned.
In einer vorteilhaften Ausgestaltung von D 1000 werden mehrere generische Hirnaktivitätsmodelle parallel verwendet, wobei nur diejenigen Steuerungs- oder Regelungsschritte (S 3000) durchgeführt werden, die (mit einer a-priori definierten Gewichtung) mit einer Mehrzahl dieser Modelle kompatibel sind.In an advantageous embodiment from D 1000 several generic brain activity models are used in parallel, being only those control or Control steps (S 3000) are carried out (with a a-priori defined weighting) with a majority of these models are compatible.
In einer vorteilhaften Ausgestaltung des Verfahrens werden in den jeweiligen Schritten einzelne Sensoren und/oder einzelne Transmitter durch Mengen von Sensoren bzw. Mengen von Transmittern ersetzt. Dieses dient zur Feststellung und kontrollierten Modifikation nichtlokaler spatiotemporaler Moden, wie sie bspw. bei Jirsa-Haken-Modellen auftreten (s. bspw. [18]).In an advantageous embodiment In the respective steps of the process, individual sensors are used and / or individual transmitters by quantities of sensors or quantities replaced by transmitters. This serves to establish and control Modification of nonlocal spatiotemporal modes, such as in Jirsa hook models occur (see, for example, [18]).
In einer vorteilhaften Ausgestaltung von D 4000 werden die minimalen Apparaturvoraussetzungen überschritten, um Zusatzinformationen erhalten zu können, die bei späteren Anwendungen mit möglicherweise geänderten Verhaltenszielen von Nutzen sein können (z.B.: grundsätzliche Anwendung des 10/20 Oberflächen EEGs, s. z.B. [16]). Der Vorteil dieser Ausgestaltung liegt in möglicher Standardisierung von Teilen des Apparates sowie teilweise möglicher Verwendung handelsüblicher Hardware.In an advantageous embodiment D 4000 exceeds the minimum equipment requirements, in order to be able to receive additional information that is required for later applications with possibly changed Behavioral goals can be useful (e.g. basic Application of the 10/20 surface EEG, s. e.g. [16]). The advantage of this configuration is possible Standardization of parts of the apparatus as well as some possible ones Use commercially available Hardware.
In einer weiteren vorteilhaften Ausgestaltung von D 4000 werden die minimalen Apparaturvoraussetzungen überschritten, um zusätzliche Steuerungs- oder Regelungsmöglichkeiten zu haben ( z.B.: zu jeder Nicht-Referenzelektrode des 10/20 Oberflächen EEGs eine unmittelbar frontal vor dieser Elektrode befindliche Spule).]). Der Vorteil dieser Ausgestaltung liegt in möglicher Standardisierung von Teilen des Apparates.In a further advantageous embodiment D 4000 exceeds the minimum equipment requirements, for additional control or control options to have (e.g. for every non-reference electrode des 10/20 surfaces EEGs a coil located directly in front of this electrode).]). The advantage of this configuration lies in the possible standardization of Parts of the apparatus.
In einer vorteilhaften Ausgestaltung von S 3000 werden als die Kontrollvariable eingesetzten exogenen EM Felder durch sensorische Inputs und/oder biochemisch wirksame Substanzen ergänzt, wobei sich an den dargestellten Verfahrensschritten grundsätzlich nichts ändert.In an advantageous embodiment of S 3000 are used as the control variable exogenous EM fields through sensory inputs and / or biochemically effective Substances added, whereby basically nothing changes in the method steps shown.
In weiteren vorteilhaften Ausgestaltungen des Verfahrens werden als Test- und Transmittersignale Signale mit stochastischen Anteilen verwendet (insbesondere bei verwendeten Hirnaktivitätsmodellen mit expliziten stochastischen Komponenten, wie bspw. [25], einer Erweiterung von [18], mit dem Ziel der Nutzbarmachung von stochastischen Resonanz und Coherence Resonance, siehe bspw. [26] für das FitzHugh-Nagumo-Modell).In further advantageous configurations of the procedure are called test and Transmitter signals Signals with stochastic components are used (especially when using brain activity models with explicit stochastic Components such as [25], an extension of [18], with the The aim of harnessing stochastic resonance and coherence Resonance, see for example [26] for the FitzHugh-Nagumo model).
In weiteren vorteilhaften Ausgestaltungen des Verfahrens werden als Test- und Transmittersignale Signale mit chaotischen Anteilen verwendet (insbesondere bei verwendeten Hirnaktivitätsmodellen mit expliziten chaotischen Komponenten, wie bspw. Erweiterungen von [1] mit lokal stark gekoppelten Oszillatoren).In further advantageous configurations of the procedure are called test and Transmitter signals used signals with chaotic parts (in particular when using brain activity models with explicit chaotic components, such as extensions from [1] with locally strongly coupled oscillators).
In einer weiteren vorteilhaften Ausgestaltung des Verfahrens werden inaktive Moden durch Transmittersignale direkt aktiviert, d.h. durch den unmittelbaren Effekt der Signale auf die Mode.In a further advantageous embodiment of the method become inactive modes directly by transmitter signals activated, i.e. through the direct effect of the signals on the Fashion.
In einer weiteren vorteilhaften Ausgestaltung des Verfahrens werden Moden durch Transmittersignale indirekt beeinflusst, d.h. über direkten Einfluss auf Moden, was wiederum (s. Funktionalmatrix) Auswirkungen auf die indirekt zu beeinflussenden Moden hat.In a further advantageous embodiment of the method, modes are indirectly influenced by transmitter signals, i.e. about direct influence on fashions, which in turn (see functional matrix) Has an impact on the modes to be influenced indirectly.
In einer weiteren vorteilhaften Ausgestaltung des Verfahrens werden Bifurkationspunkte kontrolliert, d.h. es werden qualitative Veränderungen EM Hirnaktivität vorgenommen (wie etwa in Beispiel 3, wo der ohne Driving inaktive neurale Oszillator eingeschaltet wurde).In a further advantageous embodiment of the process, bifurcation points are checked, i.e. it will qualitative changes EM brain activity (as in example 3, where the inactive without driving neural oscillator was turned on).
In einer weiteren vorteilhaften Ausgestaltung des Verfahrens werden inaktive Moden aktiviert.In a further advantageous embodiment Inactive modes of the method are activated.
In einer weiteren vorteilhaften Ausgestaltung des Verfahrens erfolgt Amplitudenverstärkung durch Aktivierung inaktiver Moden.In a further advantageous embodiment The method amplifies the amplitude by activating inactive ones Fashions.
In einer weiteren vorteilhaften Ausgestaltung des Verfahrens erfolgt alterskorrelierter Verflachung (für EEG s. beispielsweise [12]) entgegenwirkende Amplitudenverstärkung.In a further advantageous embodiment the procedure is based on age-related flattening (for EEG see for example [12]) counteracting amplitude amplification.
In einer weiteren vorteilhaften Ausgestaltung des Verfahrens erfolgt die Dekomposition nichtstationärer Signale zunächst in einen stationären und einen nichtstationären Teil (s. bspw. [15]) , wobei die verwendeten Test- und Transmittersignale dann mit dem nichtstationären Anteil zu modulieren sind.In a further advantageous embodiment In the method, non-stationary signals are decomposed first into a stationary and a non-stationary Part (see, for example, [15]), the test and transmitter signals used then with the non-stationary Proportion to be modulated.
In einer weiteren vorteilhaften Ausgestaltung des Verfahrens erfolgt die Identifikation von Anwendern auf der Grundlage zeitstabiler Kalibrierungsdaten. Bereits herkömmlich spektralzerlegter EEG-Daten haben für ein Individuum zeitstabile Komponenten (nachgewiesen bis zu fünf Jahren Dauer bspw. [10]).In a further advantageous embodiment The procedure is used to identify users on the Basis of stable calibration data. Already conventionally spectrally decomposed EEG data have for one Individual time-stable components (proven up to five years Duration, for example [10]).
Als wesentlich betrachtete Dokumente:Documents considered essential:
[1] "Excitatory and inhibitory interactions in localized populations of model neurons", Wilson HR & Cowan JD, Biophysical Journal 1972; 12: 1–22[1] "Excitatory and inhibitory interactions in localized populations of model neurons ", Wilson HR & Cowan JD, Biophysical Journal 1972; 12: 1--22
[2] WO 00/29970 A1[2] WO 00/29970 A1
[3] "Therapeutic application of repetitive transcranial magnetic stimulation: a review", Wassermann EM & Lisanby SH, Clin Neurophysiol 2001; 112: 1367–1377[3] "Therapeutic application of repetitive transcranial magnetic stimulation: a review ", Wassermann EM & Lisanby SH, Clin Neurophysiol 2001; 112: 1367-1377
[4] WO 98/18384 A1[4] WO 98/18384 A1
[5] "Anticipation of epileptic seizures from standard EEG recordings", Le Van Quyen M & Martinerie J & Navarro V & Boon P & D'Havè M & Adam C & Renault B & Varela F & Baulac M, The Lancet 2001 Jan 20; 357: 183–8[5] "Anticipation of epileptic seizures from standard EEG recordings ", Le Van Quyen M & Martinerie J & Navarro V & Boon P & D'Havè M & Adam C & Renault B & Varela F & Baulac M, The Lancet 2001 Jan 20; 357: 183-8
[6] WO 01/21067 A1[6] WO 01/21067 A1
[7] „Numerical Solution of Stochastic Differential Equations", Kloeden PE & Platen E, Springer Verlag, Berlin 1992, Kapitel 6.4[7] "Numerical Solution of Stochastic Differential Equations ", Kloeden PE & Platen E, Springer Verlag, Berlin 1992, chapter 6.4
[8] „Regelungstechnik", Föllinger
[9]
[10] „Intraindividual Specificity and Stability of Human EEG: Comparing a Linear vs a Nonlinear Approach", Dünki RM & Schmid GB & Stassen HH, Method Inform Med 2000; 39: 78–82[10] "Intraindividual Specificity and Stability of Human EEG: Comparing a Linear vs a Nonlinear Approach ", Dünki RM & Schmid GB & Stassen HH, Method Inform Med 2000; 39: 78-82
[11] "An EEG Biofeedback Protocol for Affective Disorders", Rosenfeld JP, Clin Electroencephalography 2000; 31(1): 7–12[11] "An EEG Biofeedback Protocol for Affective Disorders ", Rosenfeld JP, Clin Electroencephalography 2000; 31 (1): 7-12
[12] „Leitfaden für die EEG-Praxis", Ebe M & Homma I, Gustav Fischer Verlag, Stuttgart 1992, Kapitel 6.2.2[12] "Guide to EEG Practice", Ebe M & Homma I, Gustav Fischer Verlag, Stuttgart 1992, Chapter 6.2.2
[13] „A Wavelet Tour of Signal Processing", Mallat S, Academic Press, San Diego 1999, Kapitel 9.5.2[13] "A Wavelet Tour of Signal Processing ", Mallat S, Academic Press, San Diego 1999, chapter 9.5.2
[14] „Applied Bioelectricity",
Reilly JP, Springer Verlag, New York
[15] „Stationarity and nonstationarity in time series analysis", Manuca R & Savit R, Physica D 1996; 99: 134–161[15] "Stationarity and nonstationarity in time series analysis ", Manuca R & Savit R, Physica D 1996; 99: 134-161
[16] „Leitfaden für die EEG-Praxis", Ebe M & Homma I, Gustav Fischer Verlag, Stuttgart 1992, Kapitel 3.6.1, und 3.6.2[16] "Guide to EEG Practice", Ebe M & Homma I, Gustav Fischer Verlag, Stuttgart 1992, chapters 3.6.1, and 3.6.2
[17] „Nonlinear Spatio-Temporal Dynamics and Chaos in Semiconductors", Schöll E, Cambridge University Press, Cambridge 2001, Kapitel 7.3.4.[17] "Nonlinear Spatio-Temporal Dynamics and Chaos in Semiconductors ", Schöll E, Cambridge University Press, Cambridge 2001, Chapter 7.3.4.
[18] "A derivation of a macroscopic field theory of the brain from the quasi-microscopic neural dynamics", Jirsa VK & Haken H, Physica D 1997; 99: 503–526[18] "A derivation of a macroscopic field theory of the brain from the quasi-microscopic neural dynamics ", Jirsa VK & Hook H, Physica D 1997; 99: 503-526
[19] "Approaches to verbal, visual and musical creativity by EEG coherence analysis", Petsche H, Int J Psychophysiol 1996; 24: 145–159[19] "Approaches to verbal, visual and musical creativity by EEG coherence analysis ", Petsche H, Int J Psychophysiol 1996; 24: 145-159
[20] "Frontal midline theta rhythm and mental activity", Inanaga K, Psychiatry and Clin Neurosciences 1998; 52: 555–566[20] "Frontal midline theta rhythm and mental activity ", Inanaga K, Psychiatry and Clin Neurosciences 1998; 52: 555-566
[21] "Frontal midline theta rhythms reflect alternative activation of prefrontal cortex and anterior cingulate cortex in humans", Asada H & Fukuda Y & Tsunoda S & Yamaguchi M & Tonoike M, Neuroscience Letters 1999; 274: 29–32[21] "Frontal midline theta rhythms reflect alternative activation of prefrontal cortex and anterior cingulate cortex in humans ", Asada H & Fukuda Y & Tsunoda S & Yamaguchi M & Tonoike M, Neuroscience Letters 1999; 274: 29-32
[22] "Imaging Brain Dynamics Using Independent Component Analysis", Jung TP & Makeig S & McKeown MANGELHAFT (6) & Bell AJ & Lee TW & Sejnowski TJ, Proceedings of the IEEE July 2001; 89(7): 1107–1122[22] "Imaging Brain Dynamics Using Independent Component Analysis ", Jung TP & Makeig S & McKeown DEFECTIVE (6) & Bell AJ & Lee TW & Sejnowski TJ, Proceedings of the IEEE July 2001; 89 (7): 1107-1122
[23] "Spline approximations for functional differential equations", Banks HT & Kappel F, J Differential Eqns 1979; 34: 496–522[23] "Spline approximations for functional differential equations ", Banks HT & Kappel F, J Differential Equations 1979; 34: 496-522
[24] „Mathematical aspects of Hodgkin-Huxley neural theory", Cronin J, Cambridge University Press, Cambridge 1987, Kapitel 2 und 3[24] "Mathematical aspects of Hodgkin-Huxley neural theory, "Cronin J, Cambridge University Press, Cambridge 1987, chapters 2 and 3
[25] „Impacts of noise on a field theoretical model of the human brain", Frank TD & Daffertshofer A & Beek, PJ & Haken N, Physica D 1999; 127: 233–249[25] "Impacts of noise on a field theoretical model of the human brain ", Frank TD & Daffertshofer A & Beek, PJ & Haken N, Physica D 1999; 127: 233-249
[26] „Coherence and stochastic resonance in a two-state system", Lindner B & Schimansky-Geier L, Physical Review E June 2000; 61(6): 6103–6110[26] "Coherence and stochastic resonance in a two-state system ", Lindner B & Schimansky-Geier L, Physical Review E June 2000; 61 (6): 6103-6110
Claims (54)
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10234676A DE10234676A1 (en) | 2002-07-30 | 2002-07-30 | Procedure for electromagnetic modification of brain activity to cause predetermined mode of behavior using behavior model |
EP03717275A EP1493097A1 (en) | 2002-04-05 | 2003-04-04 | Method and device for the electromagnetic modification of cerebral activity |
AU2003221553A AU2003221553A1 (en) | 2002-04-05 | 2003-04-04 | Method and device for the electromagnetic modification of cerebral activity |
PCT/EP2003/003545 WO2003085546A1 (en) | 2002-04-05 | 2003-04-04 | Method and device for the electromagnetic modification of cerebral activity |
JP2003582663A JP2005528937A (en) | 2002-04-05 | 2003-04-04 | Method and apparatus for electromagnetic correction of brain activity |
US10/959,033 US20050124848A1 (en) | 2002-04-05 | 2004-10-05 | Method and apparatus for electromagnetic modification of brain activity |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10234676A DE10234676A1 (en) | 2002-07-30 | 2002-07-30 | Procedure for electromagnetic modification of brain activity to cause predetermined mode of behavior using behavior model |
Publications (1)
Publication Number | Publication Date |
---|---|
DE10234676A1 true DE10234676A1 (en) | 2004-02-19 |
Family
ID=30469195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10234676A Withdrawn DE10234676A1 (en) | 2002-04-05 | 2002-07-30 | Procedure for electromagnetic modification of brain activity to cause predetermined mode of behavior using behavior model |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE10234676A1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007038886A1 (en) | 2007-08-17 | 2009-09-17 | Ordin, Wladimir | Human mind'healing effect providing method, involves perceiving action with expression of eyes of object by camera, and producing magnetic stimulation of centre of relaxation of brain of object through stimulation block and helmet |
CN110891482A (en) * | 2017-05-12 | 2020-03-17 | 康迪公司 | Multi-sensor magnetic monitoring imaging system |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2707574A1 (en) * | 1977-02-22 | 1978-08-24 | Goedde Geb Elsaesser Anna | Magnetic coil therapeutic apparatus - has single or double coil connected to programmed pulse shaper and oscillator with control system |
US4940453A (en) * | 1987-01-28 | 1990-07-10 | Cadwell Industries, Inc. | Method and apparatus for magnetically stimulating neurons |
WO1998018384A1 (en) * | 1996-10-30 | 1998-05-07 | Risto Ilmoniemi | Method and apparatus for mapping cortical connections |
WO1999020345A1 (en) * | 1997-10-17 | 1999-04-29 | Axel Muntermann | Device for magnetic field therapy |
DE69131042T2 (en) * | 1990-08-24 | 1999-10-21 | Photios Anninos | ELECTRONIC DEVICE FOR COMPENSATING FUNCTIONAL FAULTS OF THE CENTRAL NERVOUS SYSTEM |
WO1999055421A2 (en) * | 1998-04-27 | 1999-11-04 | Beth Israel Deaconess Medical Center, Inc. | Method and apparatus for recording an electroencephalogram during transcranial magnetic stimulation |
EP0970723A1 (en) * | 1998-07-06 | 2000-01-12 | I-health B.V. | Apparatus for determining a treatment frequency used for treating patients with electromagnetic radiation |
-
2002
- 2002-07-30 DE DE10234676A patent/DE10234676A1/en not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2707574A1 (en) * | 1977-02-22 | 1978-08-24 | Goedde Geb Elsaesser Anna | Magnetic coil therapeutic apparatus - has single or double coil connected to programmed pulse shaper and oscillator with control system |
US4940453A (en) * | 1987-01-28 | 1990-07-10 | Cadwell Industries, Inc. | Method and apparatus for magnetically stimulating neurons |
DE69131042T2 (en) * | 1990-08-24 | 1999-10-21 | Photios Anninos | ELECTRONIC DEVICE FOR COMPENSATING FUNCTIONAL FAULTS OF THE CENTRAL NERVOUS SYSTEM |
WO1998018384A1 (en) * | 1996-10-30 | 1998-05-07 | Risto Ilmoniemi | Method and apparatus for mapping cortical connections |
WO1999020345A1 (en) * | 1997-10-17 | 1999-04-29 | Axel Muntermann | Device for magnetic field therapy |
WO1999055421A2 (en) * | 1998-04-27 | 1999-11-04 | Beth Israel Deaconess Medical Center, Inc. | Method and apparatus for recording an electroencephalogram during transcranial magnetic stimulation |
EP0970723A1 (en) * | 1998-07-06 | 2000-01-12 | I-health B.V. | Apparatus for determining a treatment frequency used for treating patients with electromagnetic radiation |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007038886A1 (en) | 2007-08-17 | 2009-09-17 | Ordin, Wladimir | Human mind'healing effect providing method, involves perceiving action with expression of eyes of object by camera, and producing magnetic stimulation of centre of relaxation of brain of object through stimulation block and helmet |
CN110891482A (en) * | 2017-05-12 | 2020-03-17 | 康迪公司 | Multi-sensor magnetic monitoring imaging system |
CN110891482B (en) * | 2017-05-12 | 2022-07-15 | 韩国标准科学研究院 | Multi-sensor magnetic monitoring imaging system |
US11766204B2 (en) * | 2017-05-12 | 2023-09-26 | The Korea Research Institute of Standards and Science (“KRISS”) | Multi-sensor magneto-monitoring-imaging system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2003085546A1 (en) | Method and device for the electromagnetic modification of cerebral activity | |
EP2887861B1 (en) | Apparatus for examining a phase distribution to identify a pathological interaction between different areas of the brain | |
EP2797667B1 (en) | Apparatus for calibrating non-invasive desynchronizing neurostimulation | |
EP2523726B1 (en) | Magnetic stimulation having a freely selectable pulse shape | |
DE69736811T2 (en) | METHOD AND DEVICE FOR LOCATING CORTICAL LINKS | |
DE19549297C2 (en) | Method and device for influencing the human psyche | |
DE10215115A1 (en) | Method and device for the prevention of epileptic seizures | |
EP3310432B1 (en) | Device for effective non-invasive two-stage neurostimulation | |
EP3060112B1 (en) | Method for quantifying the perceptive faculty of a person | |
DE102011102333A1 (en) | Systems and methods for constructing a patient-specific model of neutral electrical stimulation | |
EP0582885A2 (en) | Procedure to classify field patterns | |
WO2007096269A1 (en) | Device and method for the real-time control of an effector | |
DE102019209096A1 (en) | NEURONAL SIGNAL SYSTEM FOR BEHAVIOR MODIFICATION | |
DE102019214752A1 (en) | NEURAL SIGNAL SYSTEM, PROCEDURE AND COMPUTER PROGRAM FOR SIGNALING A DEVICE STATE | |
DE602004005438T2 (en) | METHOD FOR MONITORING THE NERVOUS SYSTEM | |
DE4039648A1 (en) | Measurement value processing system for biological object - mathematically evaluates and compares with given measurement value structures | |
DE10211766B4 (en) | Device for treating patients by means of brain stimulation and the use of the device in medicine | |
DE10234676A1 (en) | Procedure for electromagnetic modification of brain activity to cause predetermined mode of behavior using behavior model | |
Albarracín et al. | Electrophysiology for biomedical engineering students: a practical and theoretical course in animal electrocorticography | |
AT516020B1 (en) | Method for quantifying the perceptibility of a person | |
EP1270043B1 (en) | Method and device for transcranial magnetic stimulation and cortical cartography | |
Wang | Closed-loop brain-computer interfaces for memory restoration using deep brain stimulation | |
Polosky et al. | Artificial neural network with electroencephalogram sensors for brainwave interpretation: brain-observer-indicator development challenges | |
EP2811906B1 (en) | Method and device for reconstructing intended activities from neural signals | |
DE202020005493U1 (en) | Predicting the long-term hedonic response to a sensory stimulus |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OM8 | Search report available as to paragraph 43 lit. 1 sentence 1 patent law | ||
8139 | Disposal/non-payment of the annual fee |