DE3741874A1

DE3741874A1 - Methode und system fuer die lokalisierung eines hirnstromquellennetzwerkes

Info

Publication number: DE3741874A1
Application number: DE19873741874
Authority: DE
Inventors: Alan S Gevins; Douglas S Greer; Nelson H Morgan
Original assignee: EEG SYSTEMS LAB
Current assignee: SAM TECHNOLOGY, INC., SAN FRANCISCO, CALIF., US
Priority date: 1986-12-16
Filing date: 1987-12-10
Publication date: 1988-07-14
Anticipated expiration: 2007-12-11
Also published as: US4736751A; EP0524170A4; JPS63226340A; DE3741874C2; EP0524170A1; WO1992002176A1

Description

Hintergrund der Erfindung

Eine Reihe von wissenschaftlichen Artikeln sind veröffentlicht worden in bezug auf Experimente, die darauf ausgerichtet sind, eine bestimmte Tätigkeit, wie z. B. Sehen, mit bestimmten Regionen des menschlichen Hirns zu assoziieren. Einige dieser Versuche beinhalten invasive Eingriffstechniken an Tieren, wie z. B. die Einpflanzung von Elektroden oder den Einsatz von chemischen Farbstoffen.

Bei anderen Studien hat man jedoch einen anderen Ansatz gewählt. Dabei versucht man, zu entdecken, was im Hirn einer Person vorgeht wenn diese eine Aufgabestellung durchführt, wird das Heben eines Fingers, indem man Elektroden oder andersartige Sensoren am Schädel oder in Schädelnähe dieser Person anlegt. Diese Elektroden oder Sensoren ermitteln die winzige, auf Mikrovolt- oder Femto-Teslaebene stattfindende elektrische oder magnetische Aktivität an der Skalpoberfläche.

Die Detektion solcher schwachen Hirnstromsignale ist deswegen schwierig, weil Hunderte von Kraftfahrzeugen, elektrisches Licht, usw. das elektrische und magnetische Umfeld stören. Außerdem können körpereigene "Artefakte", das sind elektrische Signale, die die Versuchsperson durch beispielsweise Skalpmuskelaktivität oder Augenlidbewegungen auslöst, eine elektrische oder magnetische Welle erzeugen, die stärker ist als die Hirnstromwellen des Probanden.

Die Ermittlung und die Auswertung von Hirnstromwellen ist noch schwieriger, wenn man daran interessiert ist, die spezifischen dreidimensionalen Hirnstellen zu lokalisieren, die die Wellen generieren, und wenn man herausfinden will, wie diese Stellen tief im Innern des Hirns miteinander kommunizieren, wenn die Versuchsperson auf Reize reagiert.

Als Beispiel für Reizdarbietung bittet man eine Versuchsperson, vor einem Fernsehmonitor Platz zu nehmen. Der Buchstabe "V" erscheint auf dem Bildschirm. Ist das V nach links geneigt, soll der Proband sich bereit machen, mit der linken Hand auf einen Knopf zu drücken, sobald eine Nummer auf dem Monitor erscheint. Neigt das V nach rechts, soll er sich darauf einstellen, mit der rechten Hand auf einen Knopf zu drücken. Die Aufgabe ist einfach. Es hat sich jedoch gezeigt, daß es schwierig ist, die dynamische hirnelektrische Aktivität ("mass neuroelectric processes"), die die Versuchsperson befähigt, Reize zu erkennen, d. h. den Buchstaben "V" und die darauffolgende Nummer zu erkennen (kognitives Verhalten) und physisch zu reagieren (Perzeptuomotorleistung), d. h. die Hand zu bewegen, in einer leicht verständlichen Form darzustellen.

Es sind gegenwärtig keine nicht-invasiven Methoden oder Systeme im Handel erhältlich, mit denen man selektive Hirnstellen lokalisieren und in einer akkuraten dreidimensional erscheinenden Darstellung zeigen kann, was sich an diesen Stellen bei der Reaktion auf Reize und Antworten ereignet.

Zusammenfassung der Erfindung

Vorliegende Erfindung betrifft eine Methode und ein System für die Ermittlung, Abspeicherung, Auswertung und die Wiedergabe der Hirnstromwellen einer Versuchsperson, "MAN SCAN" genannt (nach "mental activity network scanner"), Abb. 4.

Eine Vielzahl von Elektrodensensoren, von (mindestens) 32 bis zu 256, werden in unmittelbarer Nähe des Skalpes der Versuchsperson angelegt, vorzugsweise mit Hilfe einer Kappe. Bei anderen Systemen, wie zum Beispiel beim herkömmlichen elektroenzephalographischen (EEG) Aufzeichnungsverfahren, verwendet man üblicherweise nur etwa 20 Elektroden. Jede Elektrode ist durch einen rauschverringerten Verstärker mit hohem Verstärkungsfaktor an ein Analog/Digital-Multiplexersystem gekoppelt, das die schwachen analogen Hirnstromwellen der Versuchsperson in Digitaldaten umsetzt. Die dreidimensionalen Positionen der Elektroden werden mit Hilfe eines Digitalisierungsgerätes gemessen, das sie aufzeichnet und in einem Computer speichert. Ein MRI-Schnittbild (magnetic resonance image) von jeder Versuchsperson wird ebenfalls aufgezeichnet, und die Anordnung der Elektrodensensoren wird mathematisch an das MRI- Schnittbild des Skalpes im Computerspeicher angeglichen. Der Versuchsperson wird zur Extraktion von funktionalen Quellennetzmustern eine Reihe von computergesteuerten Adaptivaufgaben präsentiert. Diese Aufgaben enthalten vorzugsweise: eine bimanuelle (zweihändige) visuomotorische Aufgabenstellung (Antwort auf ein Bild mit der Hand) mit und ohne Beanspruchung des Kurzzeitgedächtnisses; eine auditorisch-visuelle visuomotorische Aufgabenstellung, wie das Bewegen eines Fingers, wenn die Versuchsperson ein bestimmtes Wort hört oder das entsprechende Bild auf dem Monitor sieht; eine auditorische Kontrollaufgabe mit variierender Inanspruchnahme des Kurzzeitgedächtnisses; eine Zeitsequenzbildungsaufgabe, und eine linguistische Testreihe. Die elektroenzephalographischen (EEG) und, wahlweise, die magnetoenzephalographischen (MEG) Hirnstromdaten sowie die Augenbewegungsdaten (EOG) werden von mehreren unterschiedlichen, schichtweise geschalteten statistischen Musterklassifizierern auf Störeinflüsse, wie z. B. Muskelartefakte, untersucht. Danach werden diejenigen Versuche, die Zweifelsfälle darstellen, mit Hilfe eines interaktiven Computergraphikprogramms on-line geprüft. Versuche mit zuviel Störungen werden eliminiert. Durch Anwendung eines statistischen Musterklassifikationsalgorithmus läßt sich das Signal/Stör- Verhältnis weiter aufbessern, indem man Einzelversuche ohne ausgeprägte ereignisbedingte Signale beseitigt. Es werden danach Bandpaß-Digitalfilter eingesetzt, um die interessierenden ereignisbedingten Signale weiter zu verbessern.

Die Daten sind nunmehr kontaminationsfrei und weisen bei jedem Versuch ein befriedigendes Signal/Stör-Verhältnis auf. Die EEG-Daten sind allerdings noch räumlich verschwommen (unscharf) und müssen vor der Raumanalyse noch weiter aufbereitet werden. Demnach wird eine räumliche Dekonvolutionsanalyse auf die EEG-Daten appliziert, um die Verzerrungen der Hirnstromwellen aufgrund ihrer Transmission durch die zerebrospinale Flüssigkeit (die Flüssigkeit im Hirn), den Schädel und den Skalp, zu verringern. Diese Analyse basiert auf einem Finitdifferenz-Modell des Gehirns und des Kopfes. Werden weniger als 64 Elektroden eingesetzt, und ist die Entfernung zwischen einzelnen Elektrodensensoren größer als 3 cm, so kann die Dekonvolution durch eine Optimalschätzung des Laplace-Operators in zwei Dimensionen ersetzt werden.

Anschließend errechnet man aufgrund von Mittelwerten, die sich aus den verbesserten gefilterten, entzerrten EEG- oder MEG-Daten ergeben, die "funktionalen Beziehungen" zwischen den Sensoren. Die funktionalen Beziehungen errechnet man als die nachgeeilte Kreuzkovarianz ("lagged crosscovariance") über Teilsekunden-Intervalle, die auf einen Reiz oder eine Antwort zeitlich eingestellt wurden. Die Stromverteilungen des EEG oder des MEG und die errechneten Kreuzkovarianzen werden daraufhin in einer dreidimensionalen Perspektivdarstellung, vorzugsweise in Farbe, abgebildet. Diese zeigt die reiz- und antwortbedingten "funktionalen Beziehungen" zwischen den Sensoren an den einzelnen Zeitintervallen.

Die Daten sind auf dieser Stufe der Methode noch nicht dazu aufbereitet worden, zu bestimmen, ob die Hirnstromwellen eine oberflächennahe Hirntätigkeit von unmittelbar unter den Ableitungspunkten gelegenen Hirnbereichen oder von weiter entfernten oberflächennahen Bereichen widerspiegeln, oder ob sie aus tief im Hirn gelegenen Stellen stammen. Dewegen wird eine Quellennetz-Lokalisationsanalyse durchgeführt. Dabei wird mit der Methode der kleinsten Quadate eine Linearanalyse vorgenommen, um beim Vergleich zwischen den am Skalp beobachteten Hirnstromfeldern und den Feldern, die von verschiedenen Kombinationen von Modellquellen erzeugt werden, die optimale Übereinstimmung zu errechnen. Bei dieser Analyse können entweder EEG- oder MEG- Feldmessungen, allein oder kombiniert, verwendet werden. Anhang von MRI- Schnittbildern stellt man ein Finitdifferenz-Modell des Gehirns und des Kopfes der Versuchsperson her, wonach man das Modell für die Quellennetz- Lokalisationsanalyse in diskrete Fächer aufteilt. Die Quellennetzanalyse wird für die einzelnen aufeinanderfolgenden Zeitpunkte während des Intervalls wiederholt, das für die Analyse der funktionalen Beziehungen festgelegt wurde. Man verwendet eine dynamische Programmiertechnik, um aus einer Reihe von möglichen Kandidatnetzwerken das beste Quellennetzwerk auszuwählen. Das gewählte Netzwerk wird dann an einer unabhängigen Datenstichprobe validiert.

Die Endergebnisse dieser Analysen werden in einer dreidimensionalen Perspektivdarstellung abgebildet, vorzugsweise in Farbe. Gezeigt werden diejenigen ausgewählten Stellen im Quellennetzwerk, die sich am ehesten den Hirnstromwellen zuordnen lassen, die im Anschluß an die Reize und Antworten beobachtet wurden, sowie das Muster ihrer fuktionalen Wechselbeziehungen.

Kurzbeschreibung der Zeichnungen

Nachstehende eingehende Beschreibung bezieht sich auf Zeichnungen, in denen

Abb. 1 eine Frontalaufnahme der Elektrodenkappe auf dem Kopf einer Versuchsperson zeigt.

Abb. 2 ein Blockschaltbild der Schaltkreise zeigt, einschließlich eines Analogmultiplexers, der an die Sensorelektroden angeschlossen werden kann.

Abb. 3 ein Blockschaltbild der Demultiplexierungstafel zeigt.

Abb. 4 ein Blockflußbild der Apparatur und die methodischen Schritte der vorliegenden Erfindung zeigt.

Abb. 5 ein MRI-Schnittbild eines menschlichen Gehirns zeigt, in dem die kontturierten Hirnareale Bereiche darstellen, die von besonderem Interesse sind.

Abb. 6 ein MRI-Schnittbild eines menschlichen Gehirns zeigt, auf dem die Anlegungspunkte der Skalpsensoren wiedergegeben sind.

Abb. 7 ein Blockflußbild der klassifizierergerichteten Artefakterkennung darstellt.

Abb. 7A ein Diagramm zeigt, das das Finitdifferenz-Modell des Gehirns darstellt.

Abb. 8 ein Blockflußbild zeigt, das die klassifizierergerichtete ERP- Schätzung darstellt.

Abb. 9 eine Perspektivansicht des Modellkopfes zeigt, auf dem sämtliche möglichen Paare der funktionalen Wechselbeziehungen, die auf den Skalp projiziert wurden, zu sehen sind.

Abb. 10 eine Seitenansicht des Modellkopfes zeigt, auf dem die Anlegungspunkte der Elektroden zu sehen sind.

Abb. 10A eine Perspektivansicht des Modellkopfes zeigt, auf dem nur die bedeutsamen funktionalen Wechselbeziehungen zu sehen sind, die beobachtet werden, wenn rechtshändige Versuchspersonen sich auf die Ausführung einer visuomotorischen Aufgabe einstellen.

Abb. 10B ein dreidimensionales Perspektivmodell des Gehirns einer Versuchsperson zeigt, das aus MRI-Schnittbildern erstellt wurde.

Abb. 11 eine Perspektivansicht des in Fächer aufgeteilten Hirnmodelles zeigt; und

Abb. 12 die tabellengetriebene Quellenmodellierung veranschaulicht.

Eingehende Beschreibung der Erfindung A. EEG-Kappe mit Aktivelektroden

Eine EEG-Kappe mit Aktivelektroden 10 wird auf den Kopf der Testperson gesetzt.

Wie Abb. 1 zeigt, wird für Kappe 10 ein Helm aus Hartmaterial mit 32 bis 256 federgeladenen, kolbenförmigen Plättchenelektroden 21 bevorzugt. Jede Plättchenelektrode hat eine herausragende, schmal zulaufende Spitze. Die Kappe 10 wird mit einem doppelten Kinnband festgehalten. Bewegt man den Helm einige Male über Vorder- und Rückseite sowie zu beiden Seiten des Kopfes mit der ausgestreckten Hand hin und her, so schieben sich die herausragenden Elektrodenspitzen zwischen die Haare und stellen sodann Kontakt mit dem Skalp der Versuchsperson her.

Die in Abb. 1 dargestellte Kappe hat zwischen (mindestens) 32 und bis zu 256 Elektrodensensoren 21, die mit wenig oder keiner Vorbereitung des Skalpes elektrischen Kontakt zum Skalp herstellen. Für die Kappe verwendet man CMOS- integrierte Schaltkreise für rauschverringerte Verstärkung, Filterung und Multiplexierung der schwachen EEG-Hirnstromsignale.

Die in Abb. 2 gezeigte Schaltung wird vorzugsweise in den Helm 10 eingebaut. Dazu ist erforderlich, daß die Elektronikvorrichtung für jede Gruppe von 16 Kanälen durch eine systemangepaßte integrierte Schaltung ergänzt wird. Legt man die aktive Schaltung außerhalb des Helmes, so kann man im Handel erhältliche integrierte Schaltungen verwenden. Wie Abb. 2 zeigt, versteht man unter "CMOS amps" 11 einer Gruppe von 16 operationalen Verstärkern mit Complementary, Metal-Oxide-Silicon (CMOS)-Elektronikschaltung. Jede Verstärkungseingabe ist durch die Leitungen 12 a-12 n mit einer der Elektroden verbunden. Die Verstärker haben einen Verstärkungsfaktor von etwa 1000 über einen Frequenzbereich von .01 bis 100 Hz. Ein zusätzlicher programmierbarer Verstärkungsfaktor von 1-50 ist bei der Chipausgabe vorgesehen. Chopper stabilisierte Verstärker werden zur Rauschunterdrückung verwendet. Die CMOS- Verstärker werden wegen ihres geringen Stromverbrauchs gewählt (so daß man Batterien verwenden kann); außerdem erlauben sie Hochimpedanz- Elektrodenkontakt mit dem Skalp. Die Verstärker sind dazu kompensiert, die Verstärkung mit Gegenkoppelung auf 100 Hz zu bewegen, was die erste Stufe der Anti-Aliasing darstellt. Die zweite Stufe der Anti-Aliasing bildet ein geschaltetes Kondensatorfilter 17 der 2. Ordnung für jeden Kanal. Die Ausgabe aus jedem Filter 17 wird abgetastet und mittels einer Simultanschaltung (Sample-and-Hold-circuit) 18 an einer geeigneten globalen Abtastgeschwindigkeit von 256 Hz festgehalten. Eine endgültige Phase auf jedem Chip (oder Tafel, für die Implementation außerhalb der Kappe) ist der 16/1-Analogmultiplexer 15. Vier Adressbits selektieren den Verstärker auf jedem Chip, und 4 Adressbits selektieren einen von bis zu 16 Chips, für insgesamt 256 mögliche Kanäle. Diese zeitmultiplexierte Analogausgabe wird als Eingabe für eine Demultiplexierungstafel (console demultiplexing board) verwendet (siehe Abb. 3), die von jeder multiplexierten Leitung 16 Analogkanäle ableitet. Diese Ausgabe ist nützlich für Kappen mit 32-64 Kanälen, und ihre Signale sind mit anderen Analoggeräten vereinbar. Die bevorzugte Verwirklichung des integrierten Schaltkreises für eine gesteigerte Kanalleistung (nicht abgebildet) erfordert einen Delta-Sigma A/D-Wandler auf jedem Chip der Kappe; daraus ergibt sich eine Ein-Bit-Digitalausgabe von jedem Helmchip zusätzlich zur Analogausgabe. Diese Ausgabe wird eine wesentlich bessere Lärmimmunität in einer unabgeschirmten Umgebung haben.

B. Messung der Elektrodenlage

Die Lage von jeder Elektrodenspitze und -Basis wird gemessen, aufgezeichnet und dreidimensional im Computer gespeichert, wobei ein Dreidimensional- Digitalisierungsgerät wie der "Perceptor" Handelsmarke Micro Control Systems, Connecticut, USA) verwendet wird. Diese Anlage setzt die dreidimensionale Form von Gegenständen in konventionelle Digitaldaten (ASCII-Code) mit einer Genauigkeit und mit einer Resolution von .018 cm um.

Zu der Digitalisierungsanlage gehört ein Tisch, an dem ein gepolsterter Halter für den Kopf des Probanden befestigt wird. Oben auf der Anlage wird ein Hebelarm montiert. Der Benutzer nimmt diesen Hebelarm und bewegt ihren Zeiger hin zu jeder Stelle, deren Lage er digitalisieren möchte. Der Hebelarm hat 5 Gelenke, die für maximale Flexibilität sorgen. In die Gelenke sind Potentialmeßgeräte eingebaut, die elektrische Informationen über die Rotationswinkel der jeweiligen Hebelarmsegmente während der Schwenkung weitergeben. Diese Winkelmessungen werden automatisch in XYZ Raumkoordinat-Eingangsdaten (ASCII-Code) übersetzt.

Der Proband legt seinen Kopf während der etwa zehn Minuten, die für die Digitalisierung von sämtlichen Elektrodenpositionen des Helmes 10, zum Beispiel, gebraucht werden, in den gepolsterten Kopfhalter; selbst bei 256 Elektroden sollten zehn Minuten genügen. Auf der Grundlage dieser Ergebnisse hinsichtlich der dreidimensionalen Elektrodenpositionen und der vorgegebe Elektrodenlänge, errechnet der Computer (zum Beispiel, ein Masscomp 550) die Skalplage von jeder aufzeichnungsaktiven Elektrodenspitze.

C. Die Lage von Schädel- und Kortikalstrukturen

Ein vollständiger Satz klinischer MRI-Schnittbilder (magnetic resonance images) wird für jede Testperson angefertigt, bevor der Helm aufgesetzt wird. Es handelt sich dabei um hochauflösende (0,95 mm-Bildpunkte) 3achsige (kranznahtparallel, sagittal und transversal) Bildaufnahmen des Kopfes von jeder Versuchsperson, die einen Querschnitt der Protondichte in nur 3 mm voneinander gelegenen Sektionen über das gesamte Kopfvolumen zeigen. Die MRI-Bänder werden in den Computer eingegeben und auf einem graphischen Terminal in Farbe dargestellt. Bestimmte Kopfregionen der abgespeicherten MRI-Bilder (die "Loci") werden digitalisiert, um koordinierte Oberflächen für den Skalp, die Außen- und Innenfläche des Schädels, die Hirnoberfläche, und für die Loci der Haupthirnfurchen herzustellen (z. B. Sulcus lateralis, Sulcus centralis, Sulcus longitudinalis, Sulcus calcarinus), siehe Abb. 5.

Alle MRI-Bilder weisen eine inhärente, nichtlineare Verzerrung auf, die auf mehrere Quellen zurückzuführen ist und in Ausmaß und Proportion variieren kann, was von einer Reihe von Parametern abhängt. Die Korrektur von MRI- Distorsionen läßt sich in zwei Teile gliedern: 1. Messung und Charakterisierung von Bildverzerrungen und 2. Bildkorrektur. Von der Korrektur wird die Verzeichnung anhand von Phantomen mit vorgegebenen physischen Dimensionen gemessen. Die Lage der Elektrodensensoren markiert man, indem man kleine Ölkapseln (Vitamin A oder E) an einer identischen Kappe befestigt, die dann auf den Skalp aufgesetzt wird. Die Kapselstellen sind im MRI-Schnittbild deutlich als charakteristische, weiße Regionen zu erkennen, und die Kapselstellen stimmen mit den Anlegungspunkten der Elektroden, mit denen sie assoziiert werden, überein.

Eine Hauptrolle für Bildverzerrung ist in der fehlenden Homogenität der magnetischen Gradientspulen des MRI-Bildgebungssystems gelegen. Ein uneinheitliches statisches Feld kann allerdings ebenfalls eine Ungleichheit zwischen der wirklichen und der beobachteten Lage von Objekten zur Folge haben. Eine Charakterisierung der Bildverzerrung aufgrund von Veränderungen in den Parametern für die Wiederholungszeit (TR) und die Echozeit (TE) wird zusätzlich zu einer Analyse von objektabhängigen und objektunabhängigen Fehlern vorgenommen. Die Zeitstabilität des Bildgebungsverfahrens wird typischerweise getestet, indem man Referenz-MRI-Schnittbilder mit Bildern, die während der letzten Systemnacheichung aufgenommen wurden, vergleicht.

Die Bildkorrektur erfordert das Einpassen eines Spline in die empirisch gemessene oder vorausgesagte Verzerrungsfunktion. Für jedes Bild definieren die wirklichen und die beobachteten Objektpositionen ein zweidimensionales Raster mit Punkten, die die Verzerrung kennzeichnen. Ein ebenes Spline, das jeden der Rasterpunkte interpoliert, wird daraufhin erstellt. Zum Schluß korrigiert man die Distorsion, indem man das Bild durch die Inversion dieser Funktion führt, wobei sich jeder der bekannten Transformationsalgorithmen anwenden läßt.

D. Koordinatenregistrierung für MRI, EEG und/oder MEG

Nach der Distorsionskorrektur werden die MRI-Schnittbilder an die EEG- und/oder den MEG-Daten angeglichen. Die Position von bekannten äußeren fiduzialen Meßpunkten (Inion, Nasion und äußere Präaurikularkerbe) werden im Koordinatensysten des MRI, EEG und/oder des MEG bestimmt (Abb. 6). Wenn die Lage von mindestens drei identischen Punkten in jedem der Koordinatensysteme bekannt ist, können die restlichen Datenpunkte anhand einer einfachen Übersetzung und einer Orthogonalrotation registriert werden.

Aufgrund dieses Verfahrens lassen sich Schätzungen der Skalpoberflächenpunkte erstellen, die sich aus der Position der EEG- und/oder MEG-Elektrodensensoren und dem MRI ergeben. Ein numerischer Vergleich dieser Schätzungen ermöglicht sodann die Transformation (Skalierung, Rotation und Übersetzung), die erforderlich ist, um einen Satz digitalisierter Koordinaten in den anderen zu überführen. Dies erlaubt eine zusätzliche Genauigkeitsüberprüfung der Positionsbestimmung anhand der fiduzialen Meßpunkte.

Der Magnetoenzephalograph (MEG) stellt eine Alternative zum EEG- Hirnstromerkennungssystem dar.

Die schwachen magnetischen Felder des menschlichen Gehirns können anhand der cryogenischen "SQUID"-Technik (Superconducting Quantum Interference Device) ermittelt und topographisch dargestellt werden. Die durch sensorische Reize evozierte Hirnaktivität erzeugt schwache magnetische Felder in der Größenordnung von 0,1 pT (Pico-Tesla). Die Resolution wird durch die Größe der Sensorspule begrenzt, allerdings sind bedeutende Variationen im magnetischen Feld des Gehirns in Abständen von 1 cm beobachtet worden (siehe Williamson, Brenner und Kaufman, Biomedical Applications of SQUIDs (ISSN: 0094-243X/78/106/1.50 Am. Inst. of Physics, S. 106-116, 1978), durch Verweis in die Offenlegung miteinbezogen. Der SQUID-Interferometer registriert das magnetische Feld anhand eines supraleitenden Fluxtransporters, dessen Detektionsspule aufgrund ihrer Windungen und ihrer Geometrie relativ unempfindlich für einheitliche Hintergrundfelder ist, die von einheitlichen Quellen generiert werden.

E. Computergesteuerte Adaptivaufgaben zur Prüfung höherer Hirnfunktionen

Nachdem man Helm 10 auf den Kopf der Versuchsperson aufgesetzt hat, wird dieser eine Reihe von Aufgaben präsentiert. Diese bestehen darin, daß man den Probanden bittet, in Antwort auf einen Aktivierungsreiz, wie z. B. ein Bild oder einen Ton, einen bestimmten Körperteil bewußt zu bewegen.

1.Bimanuelle Aufgabe.

Diese Aufgabe mißt die Hirnaktivität des Probanden während der Vorbereitung, der Verarbeitung von visuellen Reizen, der Ausführung der Antwort sowie der Anpassung seiner Leistung entsprechend dem Feedback zu der Genauigkeit seiner Antwort. Der Proband erhält bei dieser Aufgabe die Anweisung, auf einen Punkt in der Mitte eines bernsteinfarbenen CRT-Monitors eines Bildprozessors zu fixieren, Monitortyp USI EV-2131A, der sich in einer Entfernung von 70 cm direkt vor seinen Augen befindet. Er wartet nun auf ein Signal, wie z. B. den Buchstaben V, der für eine Antwort mit der linken Hand nach links und für eine Antwort mit der rechten Hand nach rechts geneigt ist. Die Dauer der Wiedergabe ist 125 msec. Die Beleuchtung der Schriftzeichen auf dem Monitorschirm beträgt 0,5 log fL. Eine Sekunde später wird der Reiz auf dem CRT-Monitor präsentiert (Dauer 125 msec). Die Schriftzeichen erstrecken sich über einen Sehwinkel von unter einem Grad. Sie sind ebenfalls linksgeneigt für eine linkshändige und rechtsgeneigt für eine rechtshändige Antwort. Beliebige 22% der Versuche enthalten ein falsches Handsignal; z. B. nach einem Signal für eine linkshändige Antwort folgt ein Reiz für eine rechtshändige Antwort, oder umgekehrt. Die Versuchsperson soll bei solchen Fehlangaben auf eine Antwort verzichten, d. h. die Hände nicht bewegen. Bewegt der Proband nach einem fehlerhaften Bildreiz die Hände, so zeigt das Feedback ein "XX" an, und er wird für diesen Versuch bestraft.

Bei dieser Testreihe soll der Proband durch eine ballistische Flexion des Zeigefingers der linken oder der rechten Hand auf einen modifizierten Grass Force Transducer ohne zu zögern auf einen Reiz, d. h. das Bild auf dem Monitorschirm, antworten. Der dabei ausgeübte Druck soll der Stimuluszahl auf einer Linearskala von 1 bis 9 entsprechen. Wenn, zum Beispiel, das Bild "left 5" anzeigt, so soll er mit mittlerem Druck mit seinem linken Zeigefinger antworten. Eine zweistellige Feedbacknummer (Dauer 125 msec), die genau anzeigt, wieviel Kraft dabei ausgeübt wurde (bis zu einem Zehntel einer Einheit), erscheint 1 Sekunde nach Ausübung des einer Antwort folgenden Höchstdruckes auf dem Bildschirm. Die Tests werden in Blöcken von 20 beliebig geordnet, allerdings enthalten die ersten zwei Versuche kein Fehlsignal. Die Versuchsperson initiiert einen Block von 20 Tests durch Druck auf einen Knopf. Die 20 Versuche folgen automatisch, wobei sie von einem Computerprogramm gesteuert werden, in Intervallen von jeweils 1,5 Sekunden. Wenn der Proband nicht innerhalb von 1 Sekunde nach dem Reiz antwortet, wird seine Antwort ignoriert; 2 Sekunden nach dem Reiz wird ihm ein entsprechendes Feedback auf dem Monitor präsentiert, das das Ausbleiben einer Antwort anzeigt. Nach jedem Testblock erscheint ein Bericht auf dem CRT-Monitor, der die durchschnittliche Genauigkeit der Antworten zeigt, nach der linken und der rechten Hand getrennt, sowie die Anzahl der nicht-korrekten Antworten auf Fehlsignale und die Zahl der "Bonuspunkte".

2. Visuomotorische und auditorisch-motorische Gedächtnisaufgaben.

Diese Aufgaben, die "working memory load tasks" genannt werden, testen das Kurzzeitgedächtnis und die Perzeptuomotorkoordination einer Versuchsperson. Vorzugsweise präsentiert man der Testperson drei verschiedene Aufgaben, nämlich: 1. die Visuo-Motor Monitoring Task, null memory condition (VMMT, 0-back); 2. die Visuo-Motor Monitoring Task, memory load condition (VMMT, 2- back) und 3. eine Auditory Monitoring Memory (AUM) Task.

Ansatz der VMMT-Aufgabe ist, eine genaue Kontrolle der Reizparameter, der Inanspruchnahme des Kurzzeitgedächtnisses, der Motoraktivität und der Augenbewegungen zu ermöglichen. Aktivierungsreize bestehen aus einstelligen Zahlen (Dauer 125 msec), die wie bei der bimanuellen Aufgabe auf dem CRT- Monitorschirm dargeboten werden. Die Versuchsperson antwortet auf jeden Test mit einer ballistischen Flexion ihres rechten Zeigefingers auf einen Grass Force Transducer mit einem proportional zur Stimuluszahl auf einer Linearskala von 1 bis 9 auszuübenden Druck. Die Feedbackzahl, die der Testperson nach jedem Versuch auf dem Monitorschirm gezeigt wird, ist unterstrichen wenn die Antwort ausreichend akkurat war. Die Genauigkeit basiert auf einer adaptiven Fehlertoleranz, d. h. dem geometrischen Durchtritt der Fehler (die Abweichung vom für die Antwort erforderlichen Druck) während der vorhergehenden fünf Bewegungsversuche. Das Intervall zwischen zwei Versuchen beträgt 1,5 sec; während dieser Zeit zeigt sich ein Fixierungssymbol (X) auf dem Schirm.

Die zwei Bedingungen für Gedächtnisbetätigung bei der VMMT-Aufgabe sind: eine No Memory- oder 0-Back-Bedingung, wobei der für die Antwort erforderliche Fingerdruck von der laufenden Stimuluszahl angezeigt wird, und eine 2-Back- Gedächtnisbedingung, wobei der für die Antwort erforderliche Fingerdruck von der Stimuluszahl angegeben wird, die zwei Versuche vorher gezeigt wurde. Mit anderen Worten, die Versuchsperson wird gebeten, nicht auf die laufende Zahl oder auf die vorhergehende Zahl auf dem Bildschirm zu antworten, sondern auf die Zahl, die zwei Versuche vorher erschienen war. Damit die Aufgaben ein Wiedererkennungselement erhalten, und um allzu kurze Antwortzeiten bei der Gedächtnisaufgabe zu vermeiden, sind 20% der Versuche in beiden Bedingungen als sog. Fangversuche ("catch-trials") angesetzt, d. h. von den Versuchspersonen wird während dieser Versuche keine Antwort verlangt. Bei der 0-Back-Bedingung (Antwort auf die laufende Zahl) gibt die Reizzahl 0 die bewegungsfreien (No-Move) Fangversuche an. Bei der 2-Back-Bedingung zeigt die Reizzahl, die identisch ist mit der 2-Back-Reizzahl, die Fangversuche an.

Die AUM (Auditory Monitoring Memory)-Aufgabe besteht aus einer 2-Back (oder 3-Back)-Bedingung zur Gedächtnisbetätigung. Bei dieser Aufgabe bittet man die Versuchsperson, immer dann zu antworten, wenn der laufende Reiz der Zahl von zwei (oder drei) Versuchen vorher entspricht. Die Aktivierungsreize bestehen aus einstelligen Zahlen von 245 bis 430 msec, die von einem Voice Synthesizer, wie z. B. dem Votrax (TM)-Synthesizer, gesprochen werden, und die in Blöcken von 50 präsentiert werden. Das Intervall zwischen den Reizen variiert beliebig zwischen 4 und 5 Sekunden. Die Aktivierungsreize werden über zwei Lautsprecher präsentiert, die sich vor der Versuchsperson befinden. Wie bei den VMMT- Aufgaben, antwortet der Proband, indem er mit dem Zeigefinger der rechten Hand auf einen Kraftwandler drückt. Anders als bei der VMMT-Aufgabe, wird die Antwort bei der AUM-Aufgabe entweder als an oder als aus registriert, und es gibt kein Feedback oder Warnsignal für Einzelversuche. Der Proband erhält am Ende des Testblocks visuelles Feedback auf dem CRT-Monitorschirm. Gezeigt werden: 1. getroffene Ziele (Fangversuche); 2. verfehlte Ziele; 3. falsche Positiven; 4. durchschnittliche Reaktionszeit; und 5. Standardabweichung der Reaktionszeit.

3. Sequenzbildungsaufgabe

Ziel dieser Aufgabe ist es, die Fähigkeit der Versuchsperson zu testen, auf kurze Zeit Reizsequenzen zu integrieren und zu manipulieren sowie Sequenzen von motorischen Antworten zu produzieren. Bei dieser Aufgabe sitzt der Proband vor einem Graphikterminal und wartet auf das Erscheinen eines kleinen "X" in der Bildschirmmitte. Das "X" signalisiert den Testanfang und dient als visueller Fixierungspunkt. Die Reizsequenz beginnt eine Sekunde später. Sie besteht aus 3-8 Lichtpünktchen mit einer Dauer von 125 msec, die mit einer Geschwindigkeit von 4 pro Sekunde präsentiert werden. Jeder Punkt erstreckt sich über einen Sehwinkel von 0,25 Grad und kann in einer von drei Positionen erscheinen: in der Mitte, 0,5 Grad nach links oder 0,5 Grad nach rechts. Vor dem Test darf der Proband üben. Er lernt den Zeigefinger, den Mittelfinger und den Ringfinger der rechten Hand mit der linken, mittleren bzw. der rechten Reizposition zu assoziieren. 150 msec nach dem letzten Reiz zeigt sich während 125 msec ein Symbol, ein Dreieck, in der Bildschirmmitte, das die "Vorwärts-" oder die "Rückwärts-"Bedingung anzeigt.

Die Aufgabe besteht darin, eine Sequenz von Fingerdrucken auf drei Schalter unter dem Zeige-, dem Mittel- und dem Ringfinger der rechten Hand durchzuführen, in einer gleichmäßigen Zeitfolge und in möglichst enger Annäherung an die Reizpräsentierungsgeschwindigkeit (4/sec). Bei der "Vorwärts"-Bedingung (nach oben gerichtetes Dreieck) soll die Versuchsperson eine den Reizfolgen entsprechende Fingerbewegungssequenz ausführen. Bei der "Rückwärts"-Bedingung, einem nach unten zeigenden Dreieck, soll die Sequenz in umgekehrter (retrograder) Folge durchgeführt werden. Der Fixierungspunkt bleibt bis zum Feedbackintervall auf dem Bildschirm stehen, damit der Proband seine Augen besser fixieren kann. Das Feedback, das 500 msec nach Beendigung der letzten Antwort präsentiert wird, zeigt an oberer Stelle die erwartete Sequenz mit unmittelbar darunter die in Wirklichkeit von der Versuchsperson produzierte Sequenz. Am Ende jeden Blocks von 15 Versuchen, zeigt ein Bericht den Anteil der korrekten Antworten sowie ein Leistungsziel, das im nächsten Testblock zu überschreiten ist, will der Proband einen Bonus gewinnen. Um ein gleichbleibendes anspruchsvolles Niveau zu gewährleisten, steigt die Anzahl der Pünktchen in der Sequenz als bewegliche Durchschnittsfunktion der Leistung der Testperson während der vorausgegangenen fünf Blöcke automatisch an.

4. Sprachaufgaben

Eine Reihe von drei Sprachaufgaben mißt die kurzen, zeitlich variierenden neurokognitiven Muster der grundlegenden phonemischen, lexikalischen und grammatischen Fertigkeiten der Testperson. Die Aufgaben bestehen aus: 1. dem Vergleich von phonemischen Reizen ohne semantischen Kontext (z. B. sen/und/cen) gegenüber Stimuli, die aus Buchstaben bestehen, welche keinen phonetischen Laut bilden (z. B. xkj); 2. der Identifikation von Homonymen (z. B. mehr und Meer) gegenüber antonymischen Kontrasten (z. B. alt und neu); und 3. der Einschätzung der Grammatikalität von einfachen Sätzen auf der Grundlage von Übereinstimmung von Numerus, Subjekt-Verb und Zeit.

Bei diesen Aufgaben werden die Aktivierungsreize auf einem CRT-Monitorschirm dargeboten, oder über Lautsprecher, wie bei den anderen Aufgaben. Die Testperson antwortet durch Druck auf eine Taste mit dem rechten Zeige- und Mittelfinger. Eine Sekunde vor dem ersten Stimulus wird ein Warnzeichen präsentiert, und der zweite Aktivierungsreiz erfolgt 1 Sekunde nach dem ersten Stimulus. Das Intervall zwischen den Tests beträgt 2 Sekunden. Die Tests werden in Blöcken von 20 beliebig geordneten Aufgabentypen präsentiert. Die Anzahl der Versuche, die richtige ("match trials") und falsche ("mismatch trials") Information enthalten, ist gleich. Nach jedem Block zeigt ein Bereich das Leistungsergebnis an, wie oben beschrieben wurde.

F. Artefaktbeseitigung

Da die elektrischen Hirnstromwellen so schwach sind (in der Mikrovolt- oder Femto-Tesla-Größenordnung), ist es wichtig, daß die aufgezeichneten Daten möglichst frei von Rauschkontamination, sog. Artefakten, sind.

Zur Beseitigung von verschiedenen Artefakttypen, prüfen On-Line-Programme das System auf tote oder gesättigte Kanäle; sie überwachen die Augenbewegungen des Probanden und Verzögern den Beginn der einzelnen Versuche, bis die Verstärker sich von Artefakten erholt haben. Nach 100 Versuchen erfolgt eine automatische Artefaktanalyse durch den Computer, gesteuert von einem Computerprogramm, d. h. von "Software". Diese Artefakterkennungs-Software detektiert und kennzeichnet störsignalverseuchte Abschnitte in Zeitreihen von Einzelversuchen. Die Programme prüfen das System insbesondere auf vertikale und horizontale Augenbewegungen, Augenlidbewegungen, tote oder schwache Kanäle, gesättigte Kanäle, Muskelpotentialkontamination oder auf andere Hochfrequenz-Rauschquellen mit bedeutsamer Energie in interessierenden Spektralbereichen, siehe Abb. 7. Diese Software-Programme verwenden eine Kombination von Zeitdomän- und Frequenzdomän-Merkmalen für die Klassifikation durch mehrfache zweifach-geschichtete Mustererkennungsanlagen. Paralleldetektoren spezialisieren sich auf jeweils verschiedene Artefakttypen. Einfache Amplitudendetektoren reichen aus, um tote Kanäle und Sättigung der Verstärker zu erkennen. Eine Schichtmuster- Klassifikationsanlage verwendet Niedrigfrequenz-Leistungsspektraldichte, Kreuz- Spektraldichte mit horizontalen und vertikalen Augenbewegungskanälen, sowie einen Korrelationskoeffizienten mit dem vertikalen Augenbewegungskanal als möglichen Merkmalen für Augen- und Augenlidbewegungen. Eine andere Klassifikationsanlage verwendet Niedrigfrequenz-Powerspektraldichte, Null-Lag Autokorrelation und den Autoregressivprediktor (AR)-Koeffizienten erster Ordnung als mögliche Muskel- und Instrumentalartefakte. Eine wahlweise dritte Klassifikationsanlage verwendet die gleichen Merkmale für andere Artefakttypen, die die Anlage auf Wunsch der Benutzer verwerfen lernen soll. Die Merkmale werden alle 125 msec in der Zeitreihe über Intervalle von einer Halbsekunde ausgewertet. Der Computer trifft automatisch alle 125 msec Klassifikationsentscheidungen mittels einer nichtlinearen Interpolation von Nachbarentscheidungen. Gekennzeichnete Abschnitte (Artefakt oder Nicht- Artefakt) werden für jede Ausbildungsklasse (training class) verwendet, damit der Computer lernt, Abschnitte, die Artefakte enthalten, zu erkennen. Eine gleiche Anzahl wird für jede Testklasse (test class) verwendet. Die Klassifikationsentscheidungen des Computerprogramms prüft daraufhin ein Operator anhand eines graphisch-interaktiven Versuchskorrekturprogramms. Artefakte, die eine Wiederherstellung der Daten zulassen, filtert man heraus, z. B. nicht-sättigende Augenlidbewegungen werden anhand von Rauschunterdrückung nach der Methode der kleinsten Quadrate mit Referenzelektroden in Augennähe herausgefiltert; umweltbedingte MEG-Störsignale werden mittels Rauschunterdrückung nach der Methode der kleinsten Quadrate herausgefiltert, wobei die Referenzelektroden mehrere Zentimeter vom Kopf entfernt sind.

G. Verringerung von Volumenübertragungs-Effekten mittels Raumdekonvolution 1. Überblick

Ein "Bild" der zur Oberfläche von lokalen Kortikalbereichen senkrechten hirnelektrischen Tätigkeit läßt sich erstellen, wenn man Raumdekonvolutionsmethoden anwendet zur Verringerung der Volumen- Übertragung und zur Steigerung der räumlichen Resolution. Man verwendet Finitdifferenz-Methoden, um die wahre Geometrie der Hirnrinde, der zerebropspinalen Flüssigkeit, des Schädels und des Skalpes der Versuchsperson darzustellen. Die passive Übertragung von elektrischen Strömen in den Schädel hinein und dann hin zur Skalpoberfläche, wird modelliert. Abb. 7A. Bei diesem Arbeitsvorgang verwendet man kein arbiträres Quellengeneratormodell; Zahl, Lage oder Ausrichtung von möglichen Quellen sind nicht identifiziert. Der Finitdifferenz-Ansatz für die Kopfmodellierung hat den Vorteil, daß die Diskretisierung mit einem Punktraster möglich ist, das für jede Koordinatenrichtung einheitlich sein kann. Dieses Verfahren läßt eine einfache Interpretation zu, derzufolge das Gehirn als elektrischer Schaltkreis angesehen wird. Dieser besteht aus einem Netzwerk von gleichartigen Widerständen, deren Verbindungsknoten die "einheitlichen Samplingpunkte" des Modells darstellen.

Bei der Finitdifferenz-Implementierung werden die normalen elektrischen Ströme, die in das Gehirn eintreten, vom Computer errechnet. Ausgangspunkte sind dabei die beobachteten Hirnstrompotentiale an den Elektrodensensoren, und der Computer verwendet stückweise lineare Approximationen zu der elektrischen Beschaffenheit von Schädel- und Skalpregionen. Eine Finitdifferenz-Form der Laplaceschen Gleichung für ein quellenloses Volumen ergibt das Kirchhoffsche Stromgesetz an einem Netzwerkknoten. Anhand von 3-D-Rekonstruktionen des Kopfes der jeweiligen Versuchspersonen, die aus computergespeicherten MRI- Schnittbildern erstellt wurden, errechnet die Computer-Software das entsprechende Widerstandsnetzwerk für den Schädel und den Skalp. Unter Annahme von bestimmten Begrenzungen seiner Topologie, kann ein quellenloses Widerstandsnetzwerk mit bekannter Stromspannungsleistung unikal auf die eintretenden Ströme gelöst werden. Diese eintretenden Ströme sind die Hirnstromwellen, die an den jeweils ausgewählten Stellen im Gehirn erzeugt werden.

Die Lösung der Systemknotengleichungen nimmt auf einem Masscomp 550- Rechner für 10 000 Gleichungen (Knoten) und einer spärlichen (sparse) 12- Zeilen-Matrix, mit Hilfe des Gaußschen Eliminationsverfahrens mehrere Sekunden in Anspruch. Hieraus ergibt sich eine Transformationsmatrix, die im Computer abgespeichert wird und die dann auf jede Verteilung der gemessenen Potentiale appliziert wird, um die Stärke der elektrischen Ströme abzuleiten, die in den Skalp der Versuchsperson ein- und aus dem Skalp austreten.

2. Leitfähigkeitsmessungen im Modell

Ein dreidimensional erscheinendes Modell, das sich in Perspektivansicht darstellen läßt, wird als analoger oder konstruierter Zwilling des Gehirns und des Kopfes der Versuchsperson verwendet. Die Leitfähigkeitsraten im Modell bestimmt man, indem man die Skalppotentialverteilung mißt, die größtenteils von einer einzigen kompakten Neuronenpopulation erzeugt wird, die als Stromdipol wiedergegeben wird und deren Lage im Gehirn der Versuchsperson in etwa bekannt ist. Nach der Methode der kleinsten Quadrate führt die Computer-Software eine nichtlineare Einpassung mit steilstem Gefälle zwischen den gemessenen Potentialen und der vorwärtsgerichteten Lösung des Finitdifferenz-Problems durch. Die unbekannten Parameter erfassen die Leitfähigkeitsraten des Gewebes und die Dipolstärke, sowie alle Parameter der Dipolposition und -Orientierung, die nach dem anatomischen Wissen, das aus den MRI-Schnittbildern gewonnen werden konnte, noch unbestimmt geblieben sind. Die absoluten Leitfähigkeitswerte werden nicht aufgrund dieser Messung bestimmt, da die absolute Stärke der "äquivalenten Dipolquelle", die diese Population modelliert, nicht bekannt ist.

Es gibt einige Hirnstellen, die I. ein deutliches Bild und eine klar abgrenzbare Lokalisation auf dem MRI-Scan produzieren, und die II. klar erkennbare Hirnstromwellen erzeugen, wenn sie gereizt werden. Zum Beispiel, die Hirnstromwellen, die von der somatosensorischen evozierten Potentialsspitze zu 20 msec erzeugt werden, welche wiederum durch leichte Reizung des kontralateralen Mediannervs am Handgelenk generiert wird, stellt sich als sehr gut lokalisierte, diskrete Quelle dar. Sie wird von einem einzigen tagentialen Dipol im Handbereich des somatosensorischen 3b-Bereichs generiert. Dieser Dipol befindet sich 2,5-3,0 cm unterhalb der Skalpoberfläche. Da die Lage des Sulcus centralis aufgrund der MRI-Schnittbilder bekannt ist, genügt ein einziger Parameter für die Position entlang des Sulcus centralis, um die Lage des aktivierten Dipols feststellen zu können. Zusätzlich zur ungefähren Lage und Tiefe, sind veröffentlichte Amplitudenwerte der Kortikalpotentiale ebenfalls nützlich für die Begrenzung der Lösung. Nur ein einziger Parameter für Dipolorientierung ist erforderlich, da der Dipol als sich senkrecht zum Sulcus befindlich betrachtet werden kann und nur der Grad seiner Neigung in den Sulcus unbekannt ist. In einem Modell mit 3 Konduktivitätsschichten gibt es nur 5 Parameter bestehend aus 2 Leitfähigkeitsraten und 3 Dipolparametern (einschließlich Dipolstärke). Wenn man bis zu 256 Skalpelektroden und ein verbessertes, durchschnittliches evoziertes Potential mit einem hohen Signal/Stör-Verhältnis verwendet, läßt sich eine optimale oder beinahe-optimale Lösung für diese 5 Parameter errechnen.

Eine weitere bekannte Kompaktquelle wird von einem Reiz erzeugt, der 1 Grad rechts oder links vom visuellen Fixationspunkt ausgeht. Dies wird in einen mehr oder weniger radialen (posteriolateralen) Dipol im kontralateralen Okzipitalpol geführt und dargestellt. Der Versuchsperson wird als Aktivierungsreiz auf dem CRT-Monitor ein vertikales Kontrastumkehrungs-Sinuswellengitter gezeigt, das die Form eines Halbkreises hat und entweder im rechten oder im linken Sehfeld erscheint. Dieser Reiztyp löst eine Steady-state-Antwort aus, die von einem einzigen Stromdipol im kontralateralen Hauptsehfeld erzeugt wird. Werden zwei Orientierungsparameter und ein Parameter für die Dipolstärke zugelassen, so ergeben die zwei Leitfähigkeitsraten wiederum fünf Parameter, die man zusammenfügen muß.

Aufzeichnungen für diese Parameter erfolgen am Ende der Aufzeichnungssitzung, nachdem die aktiven Aufgabedaten gesammelt worden sind. Ungefähr 100 Versuche von jedem somatosensorischen und visuellen Aktivierungsreiz werden gesammelt.

H. Verbesserung des Signal/Stör-Verhältnisses 1. Überblick

Da Hirnstromwellen schwache elektrische oder magnetische Signale sind, und da die interessierende hirnelektrische Tätigkeit, die mit einem bestimmten Reiz oder einer bestimmten Antwort in Zusammenhang steht, durch andere Aktivitäten im Hirn getrübt werden kann, ist es wichtig, das Ausmaß der stimulus- oder antwortbedingten Hirnstromsignale zu verbessern, um die Störungen, die nicht mit Reiz oder Antwort in Zusammenhang stehen, zu verringern, d. h. das Signal/Stör-Verhältnis (signal to-noise ratio, SNR) zu verbessern. Das SNR läßt sich verbessern, indem man eine einfache Mittelung aller Versuche vornimmt, oder, so man will, indem man lediglich diejenigen Versuche mittelt, die wegen eines hohen SNR ausgewählt wurden. Diese Auswahl erfolgt unter minimalen Annahmen im Bezug auf Signalmerkmale, wobei man eine statistische Musterklassifikationsvorrichtung verwendet, die diejenigen Versuche auswählt, die sich von einem synthetisierten Störverfahren mit Statistiken, die den wirklichen Daten sehr ähnlich sind (Abb. 8), unterscheiden lassen, siehe Gevins und Mitarb., 1986, EEG Cin. Neurophysiol., 66:177-186, durch Verweis in die Offenlegung miteinbezogen. Danach werden Zeit- und Frequenz-Bandpaßfilter bestimmt, um die ausgewählten Daten weiter zu verbessern, z. B. mit Hilfe von Wigner-Distributionen, siehe Morgan & Gevins, 1986, IEEE Trans. Biomed. Eng., BME-33(1):66-70, durch Verweis in die Offenlegung miteinbezogen. Filter werden mit Mindest-Heisenbergprodukt (Bandweite × Zeitweite)-Berechnungen implementiert. Zwischenkanal-Kovarianzen und andere Messungen für die Bestimmung der "funktionalen Wechselbeziehung" werden aufgrund von verbesserten Mittelungen der resultierenden gefilterten (selektierten), multivariaten Zeitreihen-Sätze für Einzelversuche errechnet. Filterung und Auswahl der Versuche können durch Feedback der Leistung des Klassifizierers modifiziert werden. Dies wird "klassifizierergerichtete Filterung" (classifier-directed filtering) genannt, siehe Gevins & Morgan, 1986, IEEE Trans., Biomed. Eng., BME-33(12), durch Verweis in die Offenlegung miteinbezogen. Das gewählte Filter schafft ein Optimalitätskriterium für maximale Unterscheidbarkeit zwischen Zeitreihen mit Signal (hohes SNR) und Zeitreihen ohne Signal (niedriges SNR). Für letztere Zeitreihen verwendet man, wie bei der Versuchsauswahlmethode, ein Störungsverfahren, das aus den aufgezeichneten Daten synthetisiert wurde.

2. Maßnahmen zur SNR-Verbesserung

a) Die Schaffung eines artefaktfreien Datensatzes. Man geht dabei von den reiz- und antwortregistrierten Daten der einzelnen Versuchspersonen aus. Diese werden mit einem Referenz-Datensatz (die sog. "baseline data") verglichen, der aus denselben Aufzeichnungen ohne Reiz- oder Antwortregistrierung errechnet wird, um sodann Versuche mit beständigen ereignisbedingten Signalen auswählen zu können.
b) Die Errechnung von gemittelten reizregistrierten (und, wenn angemessen, von antwortregistrierten) ereignisabhängigen Zeitreihen (ERTs, event-related time series) für jede Versuchsperson. Man verwendet dabei die Latenzen der ausgewählten Spitzen in den gemittelten ERT-Zeitreihen der einzelnen Personen, um den Mittelpunkt der Analysenfenster für die Versuchsauswahl-Analyse zu bestimmen, siehe Gevins und Mitarb., Science 213, S. 918-922 (1981) und Neurocognitive Pattern, usw., Psychophysiology 22, S. 32-43 (1985), beide durch Verweis in die Offenlegung miteinbezogen. Man stellt die Fenstergröße auf die Spannweite der Spitze ein (normalerweise 125 bis 250 msec). Die anderen Fenster stellt man auf die Zeit von Reiz und Antwort ein.
c) Die Applikation eines Tiefpaß-Filters auf die Zeitreihen, wodurch die Leistung um 3 dB bei 7 Hz und um 12 dB bei 12 Hz reduziert wird; dann erfolgt Dezimierung. Man verwendet 3-7 Zeitreihenwerte als Merkmal. Danach trennt man die Daten der zwei Bedingungen (ereignisbedingte Daten und Störsignale) in drei Ausbildungssätze (training sets) und sich nicht überschneidende Validierungssätze.
d) Für jeden Kanal wendet man einen Schichtnetzwerk- Mustererkennungsalgorithmus an (ein Typ der Diskriminantenanalyse), siehe Gevins und Mitarb., EEG Patterns usw., Clin. Neurophysiol. 47, S. 693-703 (1979), durch Verweis in diese Offenlegung miteinbezogen, um Gleichungen zu generieren, die zum gewählten Intervall invariante Differenzen zwischen den ereignisbedingten und den nicht-ereignisbedingten Bedingungen beim laufenden Ausbildungsdatensatz darstellen. Man prüft die Gleichungen anhand der Validierungsdaten, um zu bestimmen, welche Elektroden bedeutende Differenzen zwischen den Bedingungen aufweisen.
e) Die Wiederholung von Stufe "d" (oben) für jeden Ausbildungs- und Validierungsdatensatz und die Errechnung der durchschnittlichen Genauigkeit des Validierungssatzes. Man stellt die Ebene der bedeutsamen Klassifikation weit über die Ebene ein, die mit den für zwei Pseudobedingungen beliebig festgelegten Daten erreicht wurde. Die Pseudobedingungen werden durch eine separate Analyse bestimmt. Man zeichnet Diagramme, die zeigen, welche Elektroden bedeutende aufgaben-abhängige Information zu jedem Intervallspunkt enthalten.
f) Die Sammlung von Versuchen mit ereignisbedingten Signalen (d. h., im Validierungssatz korrekt klassifizierte Versuche). Man errechnet "verbesserte", gemittelte ERT (sowie Winger Zeitfrequenz-Distributionen; siehe Morgan & Gevins (1986), Zitat unten), wobei diejenigen signaltragenden Versuche verwendet werden, die in einer Mehrheit der Kanäle als nennenswert erscheinen. Man zeichnet ein Diagramm der ERT, der Amplituden-Verteilungen über Zeitintervalle und der Wigner-Distributionen.

I. Maßnahmen zur Raumsynchronisation ("funktionale Wechselbeziehungen") 1. Überblick

Es gibt verschiedene Methoden zur Messung der "funktionalen Wechselbeziehungen" von ereignisabhängigen Hirnsignal-Zeitreihen im Niedrigfrequenzbereich als erstem Schritt zur Charakterisierung der Verteilung des Prozessierungsnetzwerkes des menschlichen Gehirns. Dieser Ansatz stützt sich auf die Hypothese, daß, wenn Bereiche des Hirns funktional miteinander in Verbindung stehen, ihre Hirnstromwellen ein beständiges Muster der Formähnlichkeit aufweisen, d. h. es läßt sich vorhersagen, wie die Hirnstromwelle, die in einem Bereich zu einer bestimmten Zeit aufgezeichnet wurde, aussehen wird, wenn man von der Hirnstromwelle ausgeht, die zu einer früheren Zeit in einem anderen Bereich (oder in anderen Bereichen) aufgezeichnet wurde, mit dem (denen) sie funktional in Beziehung steht. In vorherigen Implementationen mußte man dann die Zeitreihen- Korrelation zwischen Kanalpaaren aufgrund von Einzelversuch-Datensätzen messen (Gevins und Mitarb., 1981, 1984, 1985, siehe unten). Einfachere und kraftvollere rechnerische Verfahren sind jetzt entwickelt worden, mit denen man Ausmaß und zeitliche Verzögerung von "funktionalen Wechselbeziehungen" aufgrund von verbesserten gefilterten ereignisabhängigen, gemittelten Zeitreihen messen kann. Diese Methoden, die man unter dem Sammelbegriff "ereignisbedingte Kovarianzen" ("event-related covariances") zusammenfaßt, beinhalten: 1. die wahlweise Applikation von statistischen Mustererkennungsverfahren für die Auswahl von Versuchen mit beständigen ereignisabhängigen Signalen, um die verbesserten Mittelungen zu errechnen (siehe Abschnitt H sowie Gevins und Mitarb., 1986, Zitat unten); 2. die Bestimmung von Bandpaßfilter- Kennzeichen für diejenigen Mittelungen, die aufgrund von Wigner (Zeit- Frequenz)-Distributionen errechnet wurden, siehe Morgan & Gevins 1986, Zitat unten, und/oder aufgrund von klassifizierergerichteter Filterung (siehe Gevins & Morgan, 1986, Zitat unten); 3. die Errechnung von Kreuzkovarianz- Funktionen zwischen gemittelten verbesserten, gefilterten Zeitreihen innerhalb von kurzen (125-400 msec) Intervallen, die auf ereignisabhängigen Wellen zentriert wurden; 4. die Bestimmung der Bedeutung der Kovarianz aufgrund von statistischen Studien nach dem Monte Carlo-Verfahren; und 5. die Anwendung von dreidimensionalen, graphischen Perspektivdarstellungen, um das Muster der bedeutsamen Kovarianzen wiederzugeben, z. B. auf Modellköpfen oder auf dreidimensionalen Hirnmodellen, die gemäß den MRI-Schnittbildern angefertigt wurden.

2.Maßnahmen zur Errechnung von ereignisabhängigen Kovarianzen

a) Man wählt Digitalfilter und Intervalle für die Messung von Zwischenkanal- Kovarianzen, indem man die Ergebnisse von Schritt "f" der SNR-Verbesserung untersucht.
b) Man errechnet mehrfach verzögerte Kreuzkovarianz-Funktionen zwischen allen paarweise angeordneten Kanalkombinationen der verbesserten, gefilterten und dezimierten Mittelungen in jedem ausgewählten Analysenfenster, siehe Abb. 9. Man verwendet das Ausmaß der maximalen Kreuzkovarianz-Funktion und ihre Verzögerungszeit als Merkmale der "funktionalen Wechselbeziehung".
c) Man bestimmt die Bedeutung der Kreuzkovarianz-Merkmale. Dieser Schritt erfordert eine Schätzung der Standardabweichung der Rauschkovarianz, die man folgendermaßen erhält: Randommierte Intervalle in jedem Einzelversuch der Gruppe werden gemittelt. Die Kovarianz-Analyse erfolgt auf der Grundlage der gefilterten und dezimierten Fassung der resultierenden Mittelwerte, aus denen sich eine Distribution von Rauschkovarianzen ergibt.
d) Man erstellt ein Diagramm mit den bedeutendsten Kovarianzen während jedem Intervall. Die bedeutendsten Kovarianzen bestehen aus der höchsten Abweichung von den beobachteten Kovarianz-Distributionen.
e) Man prüft das Aggregat der bedeutenden Kovarianzen auf einen Unterschied in experimentspezifischen Bedingungen.

Für alle signifikanten Kovarianzen in einer der beiden Bedingungen, errechnet man den Standard-Fehler und führt man einen t-Test zwischen Mittelungen durch. Man mißt die Ähnlichkeit zwischen Kovarianzkarten mit mehrfachen Varianzen anhand von einer Schätzung der zwischen ihnen bestehenden Korrelation. Diese Schätzungen kalkuliert man anhand eines distributions-unabhängigen "Bootstrap"-Monte-Carlo-Verfahrens, das aufgrund einer beliebigen Auswahl der wiederholten Maßnahmen ein Aggregat von Korrelationswerten generiert. Daraus wird sich ebenfalls ein Zuversichts-Intervall für diese Schätzungen ergeben.

J. Dreidimensionale graphische Perspektivdarstellungen 1. Überblick

Dreidimensionale graphische Darstellungen zeigen Lage und Aussehen von Objekten im Raum aus einem arbiträren Gesichtspunkt. Die Darstellung wird von der Computer-Software folgendermaßen errechnet: Eine lineare Transformation in homogenen Koordinaten, in einer einzelnen 4 × 4 Matrix enthalten, wird verwendet um jede mögliche Kombination von Rotation, Translation, Skalierung und Perspektiv-Verwandlungen darzustellen. Dies verwendet man als Grundlage für die Verwandlung von Punkten im Raum, wobei die Punkte oder Spitzen kombiniert werden um Kanten und Polygone zu bilden. Helligkeitswerte werden auf der Grundlage eines umgebenden Beleuchtungsmodelles und aufgrund der Polygon-Oberflächennormalen errechnet. Ebene Flächen generiert man, indem man die Intensitäts-Werte über jede Fläche interpoliert. Wenn man dies mit einem versteckten Flächenentfernungs-Algorithmus kombiniert, läßt sich ein realistisches Bild aus jeder beliebigen Sammlung von Polygonen konstruieren.

2. Konstruktion des Modellkopfes

Die Elektrodensensoren werden in ihrer Normallage auf dem Kopf einer Schaufensterpuppe markiert. Zusätzliche Referenzpunkte werden über der restlichen Kopffläche markiert und numeriert. Danach wird in der Speichervorrichtung des Computergraphiksystems eine Liste von Polygonen geschaffen, in dem jedes Polygon aus einer Identifikationszahl besteht, gefolgt von einer geordneten Liste von Referenzpunkten, die die Polygonspitzen ausmachen. Computergraphik-Kalkulationen erfordern, daß die Oberfläche des Polygons orientiert wird, indem man die Spitzen gegen den Uhrzeigersinn auflistet, wie sie von außerhalb des Kopfes aussehen. Die sich ergebende Sammlung von Vertex-Positionen und Polygonlisten wird in einer "Display file" abgespeichert, die vom Bildprogramm gelesen und dargestellt werden kann, Abb. 9 und 10.

Ereignisabhängige Kovarianzen und Stromverteilungen von einzelnen oder von Gruppen von Versuchspersonen werden auf dem Modellkopf dargestellt, wobei man folgende bevorzugte Konventionen anwendet, siehe Abb. 10A. Die Breite einer Linie ist proportional zur Bedeutung der Kovarianz. Die Farbe einer Linie zeigt die Zeit an, in der die beiden Kanäle maximal synchronisiert sind (gelb: 0-15 msec; grün: 16-31 msec; blau 32-27 msec; rot: 48-79 msec; lila:80 msec). Der Pfeil zeigt weg vom Kanal, der zeitlich an führender Stelle liegt. Er hat dieselbe Farbe als die Linie, wenn die beiden kovarieenden Kanäle positiv korreliert sind. Eine graue Linie zeigt an, daß die kovariierenden Kanäle negativ korreliert sind. Die Stromverteilung, die man wahlweise auf demselben Diagramm darstellen kann zeigt auf einer Flammenskala die Verteilung der Ströme, die in den Skalp eintreten und aus ihm heraustreten; die maximal eintretenden Ströme sind lila und die maximal austretenden Ströme sind rot koloriert.

3. MRI-Rekonstrukion

MRI-Schnittbilder (MRI = magnetic resonance imaging) werden verwendet, um die räumliche Lage der Oberflächen von Gebieten im Innern des Gehirns zu ermitteln. Vorzugsweise können mit den Daten zehn zusätzliche sagittale, zehn oder mehr kranznahtparallele und zehn oder mehr transaxiale Ansichten von jeder Versuchsperson ermittelt werden. Jedes Grauskala-Bild wird auf einer Workstation für graphische Computerdarstellungen wiedergegeben, und die interessierenden Konturen, d. h. die inneren Hirnbereiche die selektiert werden, werden vom Operator mit dem Mouse Tracing Device nachgezeichnet, siehe Abb. 5. Die Schirmbild-Koordinaten des Cursors werden auf die entsprechende Bildposition übertragen, welche dann verwendet wird, um die Lage im Magnet zu errechnen. Jedem MRI-Schnittbild inhärent ist ein raumspezifischer Fehler, der in das MRI-Verfahren eingeführt wird. Indem man die fiduzialen Markierer der Elektrodensensoren aus den MRI-Schnittbildern (Beschreibung siehe oben) mit der skalierten Position der Elektrodensensoren, die anhand eines XYZ Positionswandlers unabhängig gemessen werden (Beschreibung siehe oben), erhält man eine Fehlerschätzung. Diese Schätzung wendet man an, um eine Fehlerkorrektur für die inneren Hirnkonturen, die im Vorhergehenden beschrieben wurden, zu errechnen. Die berichtigten Konturen verwendet man, um eine Gruppe von Dreiecken zu generieren, die die Außenfläche bedecken, auf der die interessierenden Konturen umrissen werden. Zum Schluß werden zur Schaffung eines einzigen Computerbildes die sagittalen, kranznahtparallelen und transaxialen Rekonstruktionen kombiniert, siehe Abb. 10B.

K. Quellenlokalisation 1. Die Fragestellung

Im folgenden wird angenommen, daß ein adäquates Modell des Kopfgewebes vorliegt, und daß Lage, Mehrfachpol-Charakter, Orientierung und Ausmaß der Quellen der elektrischen Potentiale und die magnetischen Felder des Hirns ausreichend bekannt sind, um die gemessenen Potentiale und Felder am Skalp bestimmen zu können. Da die Potentiale als quasistatisch angesehen werden können, wird die Potentialstreuung von der Poisson'schen Gleichung regiert:

· (σ∇Φ ) = I _v

wobei Φ das Potential, σ den Konduktivitätstensor I _v die Volumenstromquellendichte darstellt. Berücksichtigt man nur isotropische Modelle, in quellenfreien Regionen, so reduziert sich das auf die Laplace'sche Gleichung:

· (σ∇Φ) = 0

Leider reichen die Kenntnisse über Potentiale und Felder am Skalp für die Quellenbestimmung nicht aus. Eine angenommene Potential-(Feld-)Verteilung am Skalp, d. h. die Generierungsstellen des Gehirns, oder jede andere quellenhaltige Oberfläche, können von einer unendlichen Anzahl von verschiedenen Quellenverteilungen erzeugt werden. Um diese Zweideutigkeit zu klären, muß zusätzliche Information bezüglich des Charakters, der Orientierung, und/oder der Anzahl der Quellen bereitgestellt werden, um die Quellen einer angenommenen Potential-(Feld-)Verteilung zu bestimmen. Vorzugsweise werden die Quellen in einem Computer-Softwareprogramm modelliert. Dabei gestalten sie sich als ein einziger Stromdipol oder als mehrere äquivalente Stromdipole, deren Lage und Orientierung sich unbegrenzt in einem konzentrisch-sphärischen Modell des Gewebes befinden. Allerdings, während einer oder zwei äquivalente Stromdipole für die Modellierung der Hauptquelle einer sensorischen ERP-Spitze, wie der Reaktion auf einen Lichtblitz, adäquat sein können, erscheinen solche Modelle für selbst einfache zielgerichte Aufgaben nicht realistisch zu sein. Darüber hinaus kann die nicht spärische Topologie des Gehirns der Versuchsperson eine beträchtliche Verzerrung der Ergebnisse zur Folge haben.

2. Überblick der Lösungen

Realistischere Kopf- und Gehirnmodelle sowie zusätzliches Wissen ist erforderlich, will man sich an den Versuch der Lokalisation von mehrfachen Quellen heranwagen. Um diesen Anforderungen zu genügen, werden folgende Schritte unternommen: 1. die Verwendung von MRI- Schnittbildern und Finitdifferenz-Modellen zur Verbesserung des Kopf- und Hirnmodelles; 2. die Steigerung der räumlichen Sampling, indem man bis zu 256 Skalpelektroden verwendet; 3. die Reduzierung der räumlichen Streuung von Skalppotentialmessungen mittels verbesserter Laplace-Operatoren oder Finitdifferenz-Raumdekonvolution; 4. Der Einsatz von anderen Signalverarbeitungsverfahren zur Verbesserung des SNR (Signal/Stör-Verhältnis); 5. die Anwendung von ereignisabhängigen Kovarianzen von entzerrten EEG- Hirnstrombildern, und wahlweise von MEG-Feldern, um die Fehler bei der Quellenmodellierung einzuschränken; 6. der Einsatz von verschiedenen algorithmischen Lösungsansätzen, einschließlich einer gründlichen Suche nach einer Untermenge von physischen Quellen aus einem größeren möglichen Quellensatz; und 7. die Validierung der Quellenmodelle aufgrund von unabhängigen Daten.

3. Die Anwendung von verschiedenen algorithmischen Lösungsansätzen.

Die Finitdifferenz-Approximation (Widerstandsnetzwerk), die im Vorhergehenden beschrieben wurde, wird auf Quellenmodellierung erweitert. Das Widerstandsnetzwerk stellt Skalp, Schädel, zerebrospinale Flüssigkeit und das Gehirn an sich dar. Sowohl kortikale als auch subkortikale Quellen werden mittels Minimierungsmethoden der kleinsten Quadrate, im nachgehenden beschrieben, postuliert. Die resultierende hirnelektrische Tätigkeit durch das ganze Netzwerk hindurch wird errechnet. Die errechneten Zweigströme, die in den Schädel eintreten, sagen die senkrechte Stromdichte, die jede Quelle erzeugt, voraus.

a) Unbegrenzte nichtlineare kleinste Quadrate. Der historische Ansatz zur Quellenlokalisation was bisher, die Quellenzahl zu postulieren und dann alle 6 Parameter (5 für MEG) von jedem äquivalenten Dipol zu errechnen, wobei eine adaptive Minimierungssuche nach der Methode der kleinsten Quadrate eingesetzt wurde. Bei diesem Lösungsansatz werden Quellenkonfigurationen angenommen und perturbiert, um die Summe der quadrierten Fehler zwischen vorhergesagten und beobachteten Potentiale zu minimalisieren. Anpassungsparameter mit steilstem Gefälle können kalkuliert werden, indem man Schätzungen der Teilderivativen der Summe der quadrierten Fehler in Bezug auf jeden Parameter auf Null einstellt. Schließlich sollte das Verfahren auf einen lokalen Fehlerminimum konvergieren (d. h., auf einen Punkt, an dem jede Steigerung der Parameteranpassung eine Zunahme des quadrierten Fehlers zur Folge hat). Leider gibt es bei solchen eingegrenzten nichtlinearen Optimierungsverfahren keine Garantie dafür, daß ein gefundenes lokales Minimum gleichzeitig ein globales Minimum darstellt. Das heißt, es gibt villeicht andere Parametersätze, die die Daten besser repräsentieren. Dies stellt vor allem ein Problem für uneingegrenzte, hochdimensionierte Fragenstellungen dar, wie etwa die Identifikation von hirnelektrischen Generierungsstellen.
b) Eingegrenzte lineare kleinste Quadrate. Ein Hirnmodell wird mit einer begrenzten Anzahl von Fächern (grobweg 100) postuliert, die mit Hauptkortikalregionen und relevanten Subkortikalsystemen übereinstimmen, Abb. 11. Die etwaige Lage dieser Fächer wird aufgrund der MRI- Schnittbilder der jeweiligen Versuchsperson bestimmt. Jedes Fach wird von 3 orthogonal-gerichteten Stromquellen dargestellt. Vier Parameter müssen für jede Quelle bestimmt werden: 1 für die Position (die Fachnummer) und 3 für Ausmaß und Orientierung (Ausdehnung in jede Richtung). Dies entspricht einer Reduzierung von den 6 Parametern, die für den uneingegrenzten Fall erforderlich sind. Der Hauptvorteil dieses Ansatzes ist jedoch nicht die Reduzierung des Parameters um 33%, sondern die Fähigkeit, die Orientierung aufgrund der linearen Regression auf Untermenge-Vektoren in einer Tafel mit Stromdichte und MEG-Verteilungen zu kalkulieren, die von jeder Kandidatquelle erzeugt werden. Mit dieser Methode läßt sich unzweideutig die globale Erklärung der Daten nach der Methode der kleinsten Quadrate finden, wenn man von der hypothetisierten Modellordnung und den Begrenzungen von möglichen Quellenregionen ausgeht. Selbst mit der Vereinfachung von nichtlinearen auf lineare kleinste Quadrate, machen kombinatorische Erwägungen die Analyse nach wie vor schwierig. Die Modellordnung soll hoch genug sein, um die Daten gut wiedergeben zu können; insbesondere soll keine Quelle tatsächlich mehrfache Quellen darstellen, die ausreichend gestreut sind um sich in verschiedenen Hirnfunktionsgebieten zu befinden (wie von der Fächerung definiert). Tabellengetriebene Quellenmodellierung, die Verfahren zur Selektion von Untermengen nach "Verteil-und-Herrsch"-Art einsetzt, wird verwendet um die Errechnungen zu ermöglichen, Abb. 12.

Für jeden Zeitpunkt in einem Intervall mit einem stabilen Zwischenkanal- Kovarianzmuster, werden Techniken zur Auswahl von Untermengen angewandt, um die besten N-Sätze von bis zu 12 (je nach der Anzahl der eingesetzten EEG- und/oder MEG-Kanäle) hypothetisierten Quellen zu finden, die am besten die beobachteten EEG- und/oder MEG-spezifischen Raum/Zeit-Muster produzieren, z. B., viele Sätze von 6 hypothetisierten Quellen; viele Sätze von 5 hypothetisierten Quellen, usw. Die Untermengenselektion erfolgt nach einem sukzessiven Approximationsalgorithmus, der interativ die Größe von möglichen Fächern verringert. Zum Beispiel, es wird eine gründliche Suche durchgeführt nach der besten Untermenge von bis zu sechs Quellen aus 50 Fächern, die aus kombinierten Nachbarpaaren der ursprünglichen Fächerung bestehen. Die ausgewählte Untermenge kann am besten das beobachtete Muster der Stromdichte produzieren, mit gewichtetem Fehler, um diejenigen Kanäle mit größeren Kovarianzen mit anderen Kanälen zu betonen. Alle Untermengen Größe 6 (für den Fall von 50 Fächern) werden für jeden der dezimierten Zeitpunkte in einem den Fall von 50 Fächern) werden für jeden der dezimierten Zeitpunkte in einem Kovarianz-Intervall mit dem Computer errechnet. Die Wahl von 6 wird durch die Höchstzahl der Untermengen bestimmt, die sich vernünftigerweise mit den heute zur Verfügung stehenden rechnergestützten Hilfsmitteln regressieren lassen (etwa 2 msec je Regression auf einem 2-CPU-Masscomp 5700 ergibt 2 300 000 mögliche Untermengenwertberechnungen innerhalb von ungefähr 77 Minuten). Die Identifikation von 6 Quellen erfordert eine Bewertung von 24 Parametern. 128 bis 256 elektrische Datenpunkte, die den hohen SNR-Mittelwerten entnommen wurden, reichen für dieses Ziel aus. Höhere Quellenzahlen können bewertet werden, indem man mit einer geringeren Anzahl von größeren Fächern beginnt. In beiden Fällen wiederholen nachfolgende Schritte die Untermengenselektion zur Identifikation von geringeren Volumen.

Als methodologische Kontrolle werden uneingegrenzte nichtlineare Methoden der kleinsten Quadrate zur Lokalisation des besten Einzeldipols verwendet, um die Varianz der beobachteten Potentialverteilung zu erklären. Dieser Dipol soll sich im Schwerkraft-Mittelpunkt der linearen Lösung der kleinsten Quadrate befinden.

4. Gefächertes Hirnmodell

Zweck des Hirnmodelles ist es, die Lage von möglichen Quellen für die Quellenlokalisations-Analyse zu definieren. Folgende Schritte sind erforderlich:

a) Die Rekonstruktion eines dreidimensionalen Computergraphik-Modelles aufgrund von MRI-Schnittbildern.
b) Die Skalierung des Gehirns nach Standardkoordinaten auf der Grundlage der Entfernung zwischen den vorderen und hinteren Kommissuren.
c) Die Bildung eines einheitlichen Rasters auf der Rindenoberfläche mit etwa 2,0 cm voneinander gelegenen Knotenpunkten, die als Untermenge dem Finitdifferenz widerstandsmodell entnommen wurde. Die Rasteroberfläche entspricht der Gesamtkontur der kortikalen Oberfläche, folgt aber nicht den Falten in die Sulci hinein, außer dem Sulcus longitudinalis, dem Sulcus lateralis und dem Sulcus centralis.
d) An jedem Knotenpunkt erfolgt dann die Bestimmung der dreidimensionalen Koordinaten des Punktes auf dem halben Wege von der Oberfläche zum tiefsten Sulcus entlang der senkrechten Projektion unter der Oberfläche (ca. 1,5 cm). Dieser Punkt ist die Lage einer möglicherweise in Frage kommenden äquivalenten Dipolquelle, die modelliert werden könnte, indem man an dieser Stelle Strom in das Widerstandsnetzwerk einleitet. Dieser äquivalente Dipol stellt den resultierenden Vektor aller Dipolgeneratoren in einem Volumen dar, das senkrecht zur Rasteroberfläche angeordnet ist, mit einem Radius von etwa 1,5 cm und einer Tiefe von 1,5 cm. Da die Wahrscheinlichkeit einer kortikalen Faltung innerhalb von diesem Volumen besteht, kann der äquivalente Dipol verschiedentlich ausgerichtet sein. Deshalb sind zur Spezifizierung jedes äquivalenten Dipols 4 Parameter erforderlich: 1 zur Identifikation des Knotens und 1 für die Stromstärke in jeder der 3 Koordinatenrichtungen. Ungefähr 90 solcher möglichen äquivalenten Dipolquellen sind erforderlich, um beide Kortikalhemisphären mit 3 cm voneinander angeordneten Knoten in angemessener Weise erproben zu können.
e) Zusätzlich zu den möglicherweise in Frage kommenden Kortikalquellen selektiert man einen Satz von möglichen subkortikalen Quellenstrukturen. Die meisten subkortikalen Lokationen sind von vornherein ausgeschlossen, weil sie theoretisch kein wahrnehmbares Skalppotential oder magnetisches Feld erzeugen können. Hauptanwärter sind teleenzephalische oder dienzephalische Bereiche mit Strukturen, die ein offenes Potentialfeld erzeugen könnten. Dazu gehören Hippocampus, laterale genikulate Körper, ventral-rückwärtige und ventral- laterale thalamische Kerne.
f) Man bestimmt die dreidimensionale Lage der möglichen subkortikalen Quellen anhand der MRI-Schnittbilder. Die meisten der in Frage kommenden Strukturen werden von einem äquivalenten Dipol modelliert. Der Hippocampus erfordert aufgrund seiner Geometrie mindestens drei separate Dipole, um seine verschiedenen Unterregionen darzustellen. Es ergeben sich somit insgesamt etwa 102 mögliche Quellen.

5. Bestimmung der Quellenanzahl

Wie bei allen Problemen bezüglich der Regression, ist die richtige Parameterisierung entscheidend für ein Modell, das generalisierbar ist und das die datenbezogenen Varianzquellen ausreichend wiedergibt. Die Konfiguration des Skalppotentialfeldes neigt zu relativer Stabilität über längere Zeitspannen (50-100 msec oder darüber), gefolgt von kurzen, chaotischen Übergängen, die wiederum von verhältnismäßig langen, stabilen Konfigurationen gefolgt werden. Deshalb wird den Dipollösungen eine maximale Richtungskoeffizientsbedingung auferlegt.

Die Stabilität von jeder Lösung für mehrfache Dipole wird über die entsprechenden Intervalle untersucht. Bei über-parametisierten Konfigurationen ist es wahrscheinlich, daß sie sich über angrenzende Zeitpunkte hinaus radial verändern. Ein Glättungs-Kriterium wird appliziert, wobei ein dynamisches Programmierungsverfahren verwendet wird, um Fehlervarianz und Zwischenprobenvarianz über das Intervall zu minimalisieren. Unter-parametisierte Konfigurationen lassen "Residuale" zurück (unerklärte normale Stromdichten und magnetische Felder), die eine bedeutende topographische Struktur aufweisen. Ein Glättungsparameter, das die Bedeutung der Zwischenprobenvarianz gewichtet, wird perturbiert, um über das gewählte Analysenintervall verschiedene Ordnungstrajektorien für das Lösungsmodell zu erzeugen.

6. Kreuzvalidierung

Die resultierenden zeitlich variierenden Modelle werden an einem unabhängigen Datensatz geprüft (das ursprüngliche Aggregat von Einzelversuchen wird beliebig in 2 Gruppen getrennt, und es werden Sub- Mittelungen gebildet). Bei quadrierten Fehlermessungen während des Testsatzes ist eine Zunahme zu erwarten, wenn man unrealistisch große Modellordnungen verwendet, die aufgrund des Ausbildungssatzes bestimmt wurden.

Die Hauptkriterien für die Einschätzung einer bestimmten Mehrfachquellen- Lösung sind: 1. Sie sollte sinnvoll sein. Ein Quellenmuster sollte mit vorherigen neuroanatomischen und neurophysiologischen Kenntnissen übereinstimmen, d. h. die Lage von sensorischen und motorischen Quellen sollte richtig angeordnet sein; 2. Sie sollte eine Zunahme des Signal/Stör-Verhältnisses bewirken, wobei das Signal anhand der Bedeutung von Hypothesen-Tests der Zwischenkanal-Kovarianz gemessen wird, und die Störsignale anhand einer Rauschkovarianzverteilung gemessen werden; 3. Lösungen mit niedrigem Stellenwert (wie ein Einzeldipol) sollten sich im Schwerkraftmittelpunkt von Zusammenballungen der Mehrfachquellen-Lösung befinden; 4. Das Quellenmodell sollte eine gute Repräsentierung für einen unabhängigen Testdatensatz sein (d. h., es sollte eine niedrige Residualvarianz aufweisen).

Numerische Simulationen werden durchgeführt, um ein Fehlerkriterium für das mögliche Auswahlverfahren zu bestimmen. Sämtliche Tests für Glättung und Kreuzvalidierung werden aufgrund einer großen Anzahl von Kandidatquellen- Kombinationen durchgeführt, die innerhalb des Fehlerkriteriums fallen, das für die Mindestfehleruntermenge gilt. Damit wird ein Schutz vor groben Fehlern geschaffen, verursacht durch inkorrekte Entscheidungen während der ersten Schritte der sukzessiven Approximationssuche. Die Simulationen schaffen ebenfalls einen Maßstab für das räumliche Auflösungsvermögen des Instruments in Bezug auf die einzelnen Hirntopologien. Insbesondere schaffen Statistiken, die nach einer Monte-Carlo-Simulation von Positionsfehlern bewertet wurden, ein Zuversichtsintervall für Ergebnisse der Quellenlokalisation.

Claims

1. Methode für die Darstellung der Lage der neuronalen Tätigkeit im Hirn einer Versuchsperson sowie zur Wiedergabe ihrer zeitlichen Wechselbeziehungen zwischen Hirnbereichen, die folgende Maßnahmen umfaßt:

I. die Bestimmung und die Aufzeichnung der dreidimensionalen Lage von ausgewählten Teilbereichen des Kopfes des Probanden und von inneren Teilbereichen seines Gehirns, sowie die Aufzeichnung der besagten Lokationen anhand eines dreidimensionalen anatomischen Scanninggerätes zur Ermittlung von anatomischen Lokalisationsdaten;
II. das Anlegen von mindestens 32 Sensoren an der Skalpaußenseite der Versuchsperson und in unmittelbarer Skalpnähe zur Detektion einer analogen neuronalen Tätigkeit proximal zur Skalpoberfläche;
III. die Bestimmung der dreidimensionalen Lage der Sensoren, wobei die besagten Sensorpositionsbestimmungen in Digitaldaten umgesetzt und die besagten Digitaldaten in einer Speichervorrichtung des Computers abgespeichert werden;
IV. die Bereitstellung eines Satzes von vorher festgelegten Reizen für die Testperson;
V. die Detektion der analogen Hirnsignale der Versuchsperson an den Sensoren während der Übermittelung der besagten Reize und die Verstärkung der besagten analogen Signale; die Umsetzung der analogen Signale in Digitaldaten, und die Abspeicherung der besagten Digitaldaten in einer Speichervorrichtung des Computers;
VI. die statistische Analyse von
- (a) besagten anatomischen Lokationsdaten,
- (b) besagten Sensorpositionsdaten und
- (c) besagten abgespeicherten Digitaldaten der Hirnsignale zur Ermittlung eines Satzes von statistischen Indikationen, die Generatoren von neuronaler Tätigkeit an Stellen im Innern des Gehirns sowie ihre zeitliche Wechselbeziehung darstellen; und
VII. die Wiedergabe von besagten statistischen Indikationen in einer dreidimensionalen Perspektivdarstellung von zumindest einem Teil des menschlichen Gehirns, wobei die Hirnteile der besagten Darstellung von ihrer Lage her durch das Scanninggerät ermittelten Lage der Hirnbereiche entsprechen.

2. Die Methode nach Anspruch 1, dadurch gekennzeichnet, daß die Lage der selektierten Hirnteilbereiche anhand der durch Hirn-Scanning erstellten MRI- Schnittbilder (MRI = magnetic resonance imagig) bestimmt wird.

3. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß hirnelektrische Signale in ihrem Lärm/Stör-Verhältnis verbessert werden, um die Kontamination zu verringern und die Hirnaktivität, die nicht mit besagtem Reiz in Beziehung steht, zu reduzieren. Dabei vergleicht man Versuchssätze von besagten hirnelektrischen Digitaldaten mit statistisch festgelegten Maßstäben für nicht- kontaminierte und nicht-reizbedingte hirnelektrische Digitaldaten in einer Mustererkennungsklassifizierung, um diejenigen Daten, die kontaminiert sind oder die keine ausgeprägten reizbedingten hirnelektrischen Signale aufweisen, zu eliminieren.

4. Die Methode nach Anspruch 1, dadurch gekennzeichnet, daß die Sensoren aus Elektroden bestehen, die an der Innenfläche einer entfernbaren Kappe angeordnet sind.

5. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß die Sensoren Elektroden eines Elektroenzephalographen-Systems (EEG) sind.

6. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß die Sensoren Detektoren eines Magnetoenzephalographen-Systems (MEG) sind.

7. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß die Reize automatisch mittels Computerprogrammsteuerung präsentiert werden.

8. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß die Reize einen Satz von Motoraufgaben enthalten, die von der Versuchsperson auszuführen sind.

9. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß die Aufgaben eine Aufgabe enthalten, derzufolge die Versuchsperson mit der linken oder der rechten Hand auf ein visuelles Signal antworten soll.

10. Eine Methode nach Anspruch 8, dadurch gekennzeichnet, daß die Versuchsperson mit einer Hand auf Ton- und Sehsignale antworten soll.

11. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß der Code in der Darstellung ein Farbcode ist, wobei die Farbe der Linien verwendet wird, um zeitliche Verzögerungen anzuzeigen, und wobei die Farbe der Gebiete verwendet wird, um den Stromfluß durch den Skalp anzuzeigen.

12. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß die Darstellung ein Modell auf der Grundlage des Gehirns und des Kopfes einer Versuchsperson ist.

13. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß die hirnelektrischen Digitaldaten prozessiert werden, um Verzerrung aufgrund ihres Verlaufs vom Ausgangspunkt hin zu den Sensoren zu reduzieren; besagte Prozessierung beinhaltet die Anwendung eines Raumdekonvolutionsalgorithmus.

14. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß die hirnelektrischen Digitaldaten prozessiert werden, um Eigenschaften des Quellennetzwerkes zu extrahieren. Dabei werden Fächerung, Untermengenselektion und Methoden der kleinsten Quadrate eingesetzt.

15. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß die Versuchsperson eine vorher festgelegte Aufgabe durchführt. Diese besteht aus einer Reihe von Versuchen, die im wesentlichen die bewußte Bewegung eines Körperteils der Testperson in Antwort auf die Reizaktivierung und die Detektion der elektrischen Hirntätigkeit der Versuchsperson während jedem einzelnen Versuch beinhalten.

16. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß die Darstellung die räumlichen und zeitlichen hirnelektrischen Eigenschaften von reiz- oder antwortbedingten Signalen enthält, einschließlich Vorbereitung, Reiz-Dekodierung, Merkmalextraktion, Entscheidung, Antwortvorbereitung, Antwortausführung, Feedbackanpassung und andere kognitive Prozesse.

17. Eine Methode nach Anspruch 1, dadurch gekennzeichnet, daß die Darstellung ein Modell des Gehirns und des Kopfes der Versuchsperson ist, wobei das Scanningverfahren ein MRI-Schnittbild ist (MRI = magnetic resonance image) und das Modell auf der Grundlage der MRI-Schnittbilder der besagten Testperson angefertigt wurde.

18. Ein System zur Darstellung der Lage und der neuronalen Hirntätigkeit einer Versuchsperson sowie zur Wiedergabe ihrer zeitlichen Wechselbeziehungen zwischen Hirnregionen, bestehend aus:

I. mindestens 32 zweckadaptierten Sensoren, die in unmittelbarer Nähe des Skalpes der Testperson angelegt werden zur Ermittlung der analogen neuronalen Hirntätigkeit, die sich proximal zur Skalpoberfläche nachweisen läßt;
II. einer Vorrichtung zur Bestimmung der dreidimensionalen Sensorpositionen, wobei die besagten Positionsbestimmungen in Digitaldaten umgesetzt und die besagten positionsbedingten Digitaldaten in einer Computerspeicheranlage abgespeichert werden;
III. einer mit besagten Elektroden verbundenen Vorrichtung zur Detektion und Verstärkung der analogen Hirnsignale der Versuchsperson, wobei die analogen Signale in Hirnsignal-Digitaldaten umgesetzt und besagte Hirnsignal-Digitaldaten im Computer abgespeichert werden;
IV. einer Vorrichtung, mit der die abgespeicherten Hirnsignal-Digitaldaten statistisch analysiert werden können, um einen Satz statistischer Indikationen einer Hirnaktivität zu schaffen, die zeitliche Wechselbeziehungen zwischen Sensorpositionen wiedergeben; und
V. eine dreidimensionale Perspektivdarstellung, die Teilbereiche des Kopfes und des Gehirns zeigt, mit der besagte statistische Indikationen als Linien zwischen Elektrodenpositionen wiedergegeben werden; dabei stimmen die Lage von besagten Kopf- und Hirnbereichen in besagter Darstellung mit den Sensorpositionen überein.

19. Ein System nach Anspruch 18, dadurch gekennzeichnet, daß die Scanninganlage ein MRI-System ist (magnetic resonance image).

20. Ein System nach Anspruch 18, einschließlich einer Vorrichtung für die Mustererkennungs-Klassifikation, mit der diejenigen Datensätze und diejenigen Versuche, die keine ausgeprägten reizbedingten hirnelektrischen Signale aufweisen, eliminiert werden können.

21. Ein System nach Anspruch 18, einschließlich einer entfernbaren Kappe, auf der mindestens 32 der besagten Elektroden aufmontiert sind.

22. Ein System nach Anspruch 18, einschließlich einer Computerprogrammsteuerung, die besagte Reize automatisch präsentiert.

23. Ein System nach Anspruch 18, dadurch gekennzeichnet, daß die Darstellung ein Modell auf der Grundlage des Gehirns der Versuchsperson ist.

24. Ein System nach Anspruch 18, dadurch gekennzeichnet, daß Sensoren Elektroden eines Elektroenzephalographen-Systems (EEG) sind.

25. Ein System nach Anspruch 18, dadurch gekennzeichnet, daß die Sensoren Detektoren eines Magnetoenzephalographen-Systems (MEG) sind.

26. Eine Methode nach Anspruch 18, dadurch gekennzeichnet, daß die hirnelektrischen Digitaldaten aufbereitet werden, um mittels Fächerung, Untermengenselektion und linearer Methoden der kleinsten Quadrate Eigenschaften des Quellennetzwerkes zu extrahieren.

27. Ein System zur Wiedergabe der Lage der neuronalen Hirnaktivität einer Versuchsperson sowie zur Darstellung ihrer zeitlichen Beziehungen zwischen verschiedenen Hirnregionen, bestehend aus:

I. einer Hirnscanninganlage zur Bestimmung und zur Aufzeichnung der dreidimensionalen Lage von ausgewählten, im Innern des Gehirns und des Kopfes der Testperson gelegenen Gebieten, indem man besagte ausgewählte Hirnteilbereiche in einer dreidimensionalen Darstellung betrachtet;
II. mindestens 32 zweckadaptierten Sensoren, die in unmittelbarer Nähe des Skalpes der Versuchsperson angelegt werden, um die analoge neuronale Hirntätigkeit, die sich in unmittelbarer Nähe der Skalpoberfläche nachweisen läßt, zu ermitteln;
III. einer Vorrichtung zur Bestimmung der dreidimensionalen Lage der Sensoren, wobei besagte Lagebestimmungen in Digitaldaten umgesetzt und besagte lagebedingte Digitaldaten in einer Computerspeicheranlage abgespeichert werden;
IV. einer Vorrichtung für die Schaffung eines vorher festgelegten Reizsatzes, der dem Probanden präsentiert wird;
V. einer mit besagten Elektroden verbundenen Anlage zur Detektion und zur Verstärkung der analogen Hirnsignale der Versuchsperson, die auf besagte Stimuli ansprechen, wobei die analogen Signale in Hirnsignal-Digitaldaten umgesetzt und besagte Hirnsignal-Digitaldaten im Computer abgespeichert werden;
VI. einer Vorrichtung, mit der die computergespeicherten Hirnsignal-Digitaldaten statistisch analysiert werden, um einen Satzes statistischer Indikationen einer Hirntätigkeit zu ermitteln, die zeitliche Wechselbeziehungen zwischen Sensorpositionen anzeigen; und
VII. einer dreidimensionalen Perspektivdarstellung, die Teile des Kopfes und des Hirns enthält, und mit der besagte statistische Indikationen als Linien zwischen Sensorpositionen wiedergegeben werden, wobei besagte Kopf- und Hirnbereiche in besagter Darstellung mit der Lage der Sensorpositionen übereinstimmen.

28. Ein System nach Anspruch 27, dadurch gekennzeichnet, daß die Sensoren Elektroden eines Elektroenzephalographen-Systems (EEG) sind.

29. Ein System nach Anspruch 27, dadurch gekennzeichnet, daß die Sensoren Detektoren eines Magnetoenzephalographen-Systems (MEG) sind.

30. Eine Methode nach Anspruch 27, dadurch gekennzeichnet, daß die hirnelektrischen Digitaldaten prozessiert werden, um Eigenschaften des Quellennetzwerkes mit Hilfe von Fächerung, Untermengenselektion und Methoden der kleinsten Quadrate zu extrahieren.

31. Ein System nach Anspruch 27, dadurch gekennzeichnet, daß die Hirnscanninganlage ein MRI-System (magnetic resonance image) ist.

32. Ein System nach Anspruch 27, einschließlich einer Vorrichtung zur Mustererkennungsklassifikation, um diejenigen Datensatz-Versuche zu eliminieren, die keine ausgeprägten reizbedingten elektrischen Hirnsignale aufweisen.

33. Ein System nach Anspruch 27, einschließlich einer entfernbaren Kappe.

34. Ein System nach Anspruch 27, einschließlich einer Computerprogrammsteuerung, mit der besagte Reize automatisch präsentiert werden können.

35. Ein System nach Anspruch 27, dadurch gekennzeichnet, daß die Darstellung ein Modell auf der Grundlage des Hirns einer Versuchsperson ist.