DE3741874A1 - Methode und system fuer die lokalisierung eines hirnstromquellennetzwerkes - Google Patents
Methode und system fuer die lokalisierung eines hirnstromquellennetzwerkesInfo
- Publication number
- DE3741874A1 DE3741874A1 DE19873741874 DE3741874A DE3741874A1 DE 3741874 A1 DE3741874 A1 DE 3741874A1 DE 19873741874 DE19873741874 DE 19873741874 DE 3741874 A DE3741874 A DE 3741874A DE 3741874 A1 DE3741874 A1 DE 3741874A1
- Authority
- DE
- Germany
- Prior art keywords
- brain
- subject
- digital data
- sensors
- stimulus
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 56
- 230000004807 localization Effects 0.000 title description 9
- 230000036624 brainpower Effects 0.000 title 1
- 210000004556 brain Anatomy 0.000 claims description 103
- 238000012360 testing method Methods 0.000 claims description 65
- 210000003128 head Anatomy 0.000 claims description 36
- 210000004761 scalp Anatomy 0.000 claims description 35
- 230000004044 response Effects 0.000 claims description 22
- 230000007177 brain activity Effects 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 238000011109 contamination Methods 0.000 claims description 4
- 238000004070 electrodeposition Methods 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000019771 cognition Effects 0.000 claims 1
- 230000001934 delay Effects 0.000 claims 1
- 239000002085 irritant Substances 0.000 claims 1
- 231100000021 irritant Toxicity 0.000 claims 1
- 230000021670 response to stimulus Effects 0.000 claims 1
- 238000007619 statistical method Methods 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 18
- 210000003625 skull Anatomy 0.000 description 11
- 238000013459 approach Methods 0.000 description 10
- 230000001419 dependent effect Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000001054 cortical effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000004424 eye movement Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 230000002739 subcortical effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 210000000744 eyelid Anatomy 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 241000238366 Cephalopoda Species 0.000 description 3
- 239000002775 capsule Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000000763 evoking effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 230000003238 somatosensory effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- GVJHHUAWPYXKBD-UHFFFAOYSA-N (±)-α-Tocopherol Chemical compound OC1=C(C)C(C)=C2OC(CCCC(C)CCCC(C)CCCC(C)C)(C)CCC2=C1C GVJHHUAWPYXKBD-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 1
- 108010078791 Carrier Proteins Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 description 1
- 229930003427 Vitamin E Natural products 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005057 finger movement Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- WIGCFUFOHFEKBI-UHFFFAOYSA-N gamma-tocopherol Natural products CC(C)CCCC(C)CCCC(C)CCCC1CCC2C(C)C(O)C(C)C(C)C2O1 WIGCFUFOHFEKBI-UHFFFAOYSA-N 0.000 description 1
- 210000000320 geniculate body Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 210000004199 lateral thalamic nuclei Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000001617 median nerve Anatomy 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000037023 motor activity Effects 0.000 description 1
- 230000005405 multipole Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000000008 neuroelectric effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008430 psychophysiology Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 235000019155 vitamin A Nutrition 0.000 description 1
- 239000011719 vitamin A Substances 0.000 description 1
- 235000019165 vitamin E Nutrition 0.000 description 1
- 229940046009 vitamin E Drugs 0.000 description 1
- 239000011709 vitamin E Substances 0.000 description 1
- 229940045997 vitamin a Drugs 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0017—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system transmitting optical 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- 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]
-
- 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
-
- 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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
- A61B90/36—Image-producing devices or illumination devices not otherwise provided for
- A61B2090/363—Use of fiducial points
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Description
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.
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.
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.
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.
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.
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.
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.
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.
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".
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.
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.
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.
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.
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.
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.
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.
- 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.
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.
- 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.
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.
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.
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.
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.
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.
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.
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.
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.
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 (35)
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.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US06/942,204 US4736751A (en) | 1986-12-16 | 1986-12-16 | Brain wave source network location scanning method and system |
Publications (2)
Publication Number | Publication Date |
---|---|
DE3741874A1 true DE3741874A1 (de) | 1988-07-14 |
DE3741874C2 DE3741874C2 (de) | 1998-10-22 |
Family
ID=25477718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE3741874A Expired - Fee Related DE3741874C2 (de) | 1986-12-16 | 1987-12-10 | Verfahren und System zur Darstellung der Lage der neuronalen Tätigkeit und der zeitlichen Wechselbeziehungen zwischen Hirnbereichen |
Country Status (5)
Country | Link |
---|---|
US (1) | US4736751A (de) |
EP (1) | EP0524170A4 (de) |
JP (1) | JPS63226340A (de) |
DE (1) | DE3741874C2 (de) |
WO (1) | WO1992002176A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4039648A1 (de) * | 1990-12-12 | 1992-07-16 | Rolf Wendler | Messwertverarbeitungssystem fuer ein biologisches objekt |
WO2015136238A1 (en) * | 2014-03-14 | 2015-09-17 | Bye Edwin David | Measuring and recording body electrical potentials |
Families Citing this family (196)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5374193A (en) * | 1983-01-25 | 1994-12-20 | Trachtman; Joseph N. | Methods and apparatus for use in alpha training, EMG training and dichotic learning |
US5038782A (en) * | 1986-12-16 | 1991-08-13 | Sam Technology, Inc. | Electrode system for brain wave detection |
US4967038A (en) * | 1986-12-16 | 1990-10-30 | Sam Techology Inc. | Dry electrode brain wave recording system |
US4736751A (en) * | 1986-12-16 | 1988-04-12 | Eeg Systems Laboratory | Brain wave source network location scanning method and system |
CN1009330B (zh) * | 1987-03-30 | 1990-08-29 | 创建基立有限公司 | 一种电脑电信号检测处理装置 |
EP0301359A1 (de) * | 1987-07-30 | 1989-02-01 | Siemens Aktiengesellschaft | Vorrichtung zur geometrischen Zuordnung von Informationen, die von einem Gegenstand in zwei Untersuchungsgeräten gewonnen sind |
MY103758A (en) * | 1987-08-14 | 1993-09-30 | America Colloid Company | Improved process for preparing water-absorbing resins |
US5357428A (en) * | 1987-08-14 | 1994-10-18 | Micro-Tek, Inc. | Methods and apparatus for mapping electrophysiological potentials in living subjects |
US5247436A (en) * | 1987-08-14 | 1993-09-21 | Micro-Tek, Inc. | System for interpolating surface potential values for use in calculating current density |
US4913152A (en) * | 1988-04-28 | 1990-04-03 | The Johns Hopkins University | Magnetoencephalograph (MEG) using a multi-axis magnetic gradiometer for localization and tracking of neuromagnetic signals |
US4949725A (en) * | 1988-07-01 | 1990-08-21 | Bio-Logic Systems Corporation | Apparatus and method for displaying electrical activity generated within a living body |
EP0355506B1 (de) * | 1988-08-16 | 1994-12-14 | Siemens Aktiengesellschaft | Anordnung zum Messen lokaler bioelektrischer Ströme in biologischen Gewebekomplexen |
FI83266C (fi) * | 1988-09-12 | 1991-06-10 | Teknillinen Korkeakoulu | Foerfarande och anordning foer lokalisering av elektroder faestade vid kroppen av en maenniska, i synnerhet huvudet. |
DE3886044D1 (de) * | 1988-09-23 | 1994-01-13 | Siemens Ag | Einrichtung und Verfahren zur Messung von schwachen, orts- und zeitabhängigen Magnetfeldern. |
US5265611A (en) * | 1988-09-23 | 1993-11-30 | Siemens Aktiengellschaft | Apparatus for measuring weak, location-dependent and time-dependent magnetic field |
US5003986A (en) * | 1988-11-17 | 1991-04-02 | Kenneth D. Pool, Jr. | Hierarchial analysis for processing brain stem signals to define a prominent wave |
US5678547A (en) * | 1988-12-22 | 1997-10-21 | Biofield Corp. | Method and apparatus for screening or sensing bodily conditions using DC biopotentials |
JPH02246926A (ja) * | 1989-03-17 | 1990-10-02 | Fujitsu Ltd | 推定電流源の表示方式 |
JPH02249530A (ja) * | 1989-03-24 | 1990-10-05 | Shimadzu Corp | 生体活動電流表示法 |
US4977896A (en) * | 1989-05-26 | 1990-12-18 | Biomagnetic Technologies, Inc. | Analysis of biological signals using data from arrays of sensors |
US5269325A (en) * | 1989-05-26 | 1993-12-14 | Biomagnetic Technologies, Inc. | Analysis of biological signals using data from arrays of sensors |
JP2751408B2 (ja) * | 1989-05-31 | 1998-05-18 | 株式会社島津製作所 | 脳磁計測装置 |
DE3922150A1 (de) * | 1989-07-06 | 1991-01-17 | Philips Patentverwaltung | Verfahren zur rekonstruktion der raeumlichen stromverteilung in einem biologischen objekt und anordnung zur durchfuehrung des verfahrens |
JP2797491B2 (ja) * | 1989-07-29 | 1998-09-17 | 株式会社島津製作所 | 脳磁計測装置 |
DD294630A5 (de) * | 1990-05-23 | 1991-10-10 | �������@������������@��k�� | Verfahren und schaltungsanordnung zur schritthaltenden analyse der elektrischen aktivitaeten des gehirns |
US5568816A (en) * | 1990-09-07 | 1996-10-29 | Sam Technology, Inc. | EEG deblurring method and system for improved spatial detail |
US5331970A (en) * | 1990-09-07 | 1994-07-26 | Sam Technology, Inc. | EEG spatial enhancement method and system |
DE69025612T3 (de) * | 1990-09-24 | 2003-08-14 | Biomagnetic Tech Inc | Analyse von biologischen Signalen unter Verwendung von Daten von Sensorarrays |
US5146926A (en) * | 1990-10-26 | 1992-09-15 | Massachusetts Institute Of Technology | Method and apparatus for imaging electrical activity in a biological system |
US5195530A (en) * | 1990-12-10 | 1993-03-23 | Larry Shindel | Apparatus for analyzing EEG and related waveforms |
CU22181A1 (es) * | 1991-01-15 | 1994-01-31 | Neurociencias Centro | Metodo y sistema para la deconvolucion anatomica de la actividad electromagnetica del cerebro y corazon |
EP0504027A3 (en) * | 1991-03-15 | 1993-04-21 | Centro De Neurociencias De Cuba | Method and system for three-dimensional tomography of activity and connectivity of brain and heart electromagnetic waves generators |
JPH0542116A (ja) * | 1991-08-13 | 1993-02-23 | Hitachi Ltd | 生体表面電位分布から生体内電流分布を推定する信号処理方法 |
IL99946A (en) * | 1991-11-03 | 1995-12-31 | Or Gil Computerized Medical Sy | Apparatus for determination of auditory threshold to intelligible speech |
US5406957A (en) * | 1992-02-05 | 1995-04-18 | Tansey; Michael A. | Electroencephalic neurofeedback apparatus for training and tracking of cognitive states |
US5311131A (en) * | 1992-05-15 | 1994-05-10 | Board Of Regents Of The University Of Washington | Magnetic resonance imaging using pattern recognition |
US5293867A (en) * | 1992-09-24 | 1994-03-15 | Oommen Kalarickal J | Method and apparatus for marking electrode locations for electroencephalographic procedure |
US5263488A (en) * | 1992-10-05 | 1993-11-23 | Nicolet Instrument Corporation | Method and apparatus for localization of intracerebral sources of electrical activity |
US5267570A (en) * | 1992-12-30 | 1993-12-07 | Preston Myra S | Method of diagnosing and treating chronic fatigue syndrome |
DE4306037A1 (de) * | 1993-02-26 | 1994-09-08 | Siemens Ag | Gerät und Verfahren zum Verknüpfen mindestens eines aus einem Elektrokardiogramm lokalisierten Zentrums intrakardialer Aktivität mit einem Ultraschall-Schnittbild |
US5325862A (en) * | 1993-03-26 | 1994-07-05 | The United States Of America As Represented By The Secretary Of The Navy | Method and/or system for personal identification and impairment assessment from brain activity patterns |
US5445162A (en) * | 1993-08-27 | 1995-08-29 | Beth Israel Hospital Association | Apparatus and method for recording an electroencephalogram during magnetic resonance imaging |
US5529498A (en) * | 1993-10-20 | 1996-06-25 | Synaptec, Llc | Method and apparatus for measuring and enhancing neuro-motor coordination |
JPH07184873A (ja) * | 1993-12-28 | 1995-07-25 | Hitachi Medical Corp | 磁気共鳴検査の方法及びその装置 |
DE9415557U1 (de) * | 1994-09-26 | 1994-11-24 | Kaspar, Ingeborg, 80689 München | Elektro-Enzophalogrammhaube |
US6037167A (en) * | 1994-10-03 | 2000-03-14 | Ericomp | Magnetic polynucleotide separation and analysis |
US5803909A (en) * | 1994-10-06 | 1998-09-08 | Hitachi, Ltd. | Optical system for measuring metabolism in a body and imaging method |
JP3519141B2 (ja) * | 1994-10-31 | 2004-04-12 | 株式会社東芝 | 生体内電流源推定方法 |
DE4439691A1 (de) * | 1994-11-07 | 1996-05-09 | Philips Patentverwaltung | Verfahren zur Bestimmung der räumlichen Feldverteilung |
US5632276A (en) * | 1995-01-27 | 1997-05-27 | Eidelberg; David | Markers for use in screening patients for nervous system dysfunction and a method and apparatus for using same |
US6240309B1 (en) * | 1995-10-06 | 2001-05-29 | Hitachi, Ltd. | Optical measurement instrument for living body |
US20060184047A1 (en) * | 1995-11-17 | 2006-08-17 | Yuichi Yamashita | Optical measurement instrument for living body |
US5842976A (en) * | 1996-05-16 | 1998-12-01 | Pyxis Corporation | Dispensing, storage, control and inventory system with medication and treatment chart record |
US5817029A (en) * | 1997-06-26 | 1998-10-06 | Sam Technology, Inc. | Spatial measurement of EEG electrodes |
WO2000019891A1 (en) * | 1997-06-26 | 2000-04-13 | Gevins Alan S | Spatial measurement of eeg electrodes |
US5957859A (en) * | 1997-07-28 | 1999-09-28 | J. Peter Rosenfeld Ph.D. | Method and system for detection of deception using scaled P300 scalp amplitude distribution |
US6266556B1 (en) | 1998-04-27 | 2001-07-24 | Beth Israel Deaconess Medical Center, Inc. | Method and apparatus for recording an electroencephalogram during transcranial magnetic stimulation |
EP1076508B1 (de) * | 1998-05-08 | 2007-10-03 | The University Of Sydney | Elektrophysiologische messung des gesichtfeldes |
US6198958B1 (en) * | 1998-06-11 | 2001-03-06 | Beth Israel Deaconess Medical Center, Inc. | Method and apparatus for monitoring a magnetic resonance image during transcranial magnetic stimulation |
AU1023300A (en) * | 1998-11-06 | 2000-05-29 | London Health Sciences Centre | A multi-channel data acquisition system for the real-time spatial, temporal monitoring and classification of high frequency bandwidth neuronal activity |
US6377833B1 (en) * | 1999-01-25 | 2002-04-23 | Douglas Albert | System and method for computer input of dynamic mental information |
JP4068763B2 (ja) * | 1999-06-21 | 2008-03-26 | 株式会社島津製作所 | 生体信号計測装置 |
US7122004B1 (en) | 1999-08-13 | 2006-10-17 | Interactive Metronome, Inc. | Method and apparatus of enhancing learning capacity |
US6594521B2 (en) | 1999-12-17 | 2003-07-15 | Electrical Geodesics, Inc. | Method for localizing electrical activity in the body |
US6330470B1 (en) | 1999-12-17 | 2001-12-11 | Electrical Geodesics, Inc. | Method for localizing electrical activity in the body |
US6434420B1 (en) | 2000-01-31 | 2002-08-13 | Integrated Biosensing Technologies | Biopotential electrode sensory component |
US6434421B1 (en) | 2000-01-31 | 2002-08-13 | Integrated Biosensing Technologies | Biopotential sensor electrode |
US6438413B1 (en) | 2000-01-31 | 2002-08-20 | Integrated Biosensing Technologies | Biopotential sensor electrode system |
US7092748B2 (en) * | 2000-02-18 | 2006-08-15 | Centro Nacional De Investigaciones Cientificas (Cnic) | System and method for the tomography of the primary electric current of the brain and of the heart |
GB0003853D0 (en) * | 2000-02-19 | 2000-04-05 | Diagnostic Potentials Limited | Method for investigating neurological function |
NZ521952A (en) * | 2000-04-17 | 2004-03-26 | Stuart Graham | Method and apparatus for electrophysiological assessment of visual function using a head-mounted stereo display |
US6938024B1 (en) * | 2000-05-04 | 2005-08-30 | Microsoft Corporation | Transmitting information given constrained resources |
US6434419B1 (en) | 2000-06-26 | 2002-08-13 | Sam Technology, Inc. | Neurocognitive ability EEG measurement method and system |
US6488617B1 (en) * | 2000-10-13 | 2002-12-03 | Universal Hedonics | Method and device for producing a desired brain state |
GB0030669D0 (en) | 2000-12-15 | 2001-01-31 | Unilever Plc | Detergent compositions |
US20020184169A1 (en) * | 2001-05-31 | 2002-12-05 | Opitz David William | Method and device for creating a sequence of hypotheses |
US6717537B1 (en) | 2001-06-26 | 2004-04-06 | Sonic Innovations, Inc. | Method and apparatus for minimizing latency in digital signal processing systems |
US6856830B2 (en) * | 2001-07-19 | 2005-02-15 | Bin He | Method and apparatus of three dimension electrocardiographic imaging |
US6861840B2 (en) * | 2001-07-20 | 2005-03-01 | Mclean Hospital Corporation | Generation of synthetic nuclear magnetic resonance signals |
US6547746B1 (en) | 2001-08-27 | 2003-04-15 | Andrew A. Marino | Method and apparatus for determining response thresholds |
WO2003028551A1 (fr) * | 2001-10-01 | 2003-04-10 | Shepovalnikov Alexandr Nikolae | Procede pour estimer les changements pathologiques dans le fonctionnement systemique du cerveau |
DE10153303A1 (de) * | 2001-10-31 | 2003-05-22 | Daimler Chrysler Ag | Vorrichtung und Verfahren zur Messung des Einflusses von Warnsignalen und Informationen auf den Nutzer einer technischen Einrichtung |
US7840250B2 (en) * | 2001-11-13 | 2010-11-23 | Electrical Geodesics, Inc. | Method for neural current imaging |
US7206440B2 (en) * | 2002-02-14 | 2007-04-17 | Carnegie Mellon University | Image smoothing with decoupled regularization |
US6795724B2 (en) * | 2002-02-19 | 2004-09-21 | Mark Bradford Hogan | Color-based neurofeedback |
US6978179B1 (en) * | 2002-02-27 | 2005-12-20 | Flagg Rodger H | Method and apparatus for magnetic brain wave stimulation |
DE10215115A1 (de) * | 2002-04-05 | 2003-10-16 | Oliver Holzner | Verfahren und Vorrichtung zur Prävention epileptischer Anfälle |
DE10242802B4 (de) * | 2002-09-14 | 2005-02-24 | Universitätsklinikum Lübeck | Navigationsfhilfsvorrichtung für neurochirurgische Eingriffe am menschlichen Gehirn |
JP2006502809A (ja) * | 2002-10-17 | 2006-01-26 | ザ・ジェネラル・ホスピタル・コーポレイション | 体内の異常、及び不整合を検出するための装置、及び方法 |
FI113615B (fi) * | 2002-10-17 | 2004-05-31 | Nexstim Oy | Kallonmuodon ja sisällön kolmiulotteinen mallinnusmenetelmä |
US20040143170A1 (en) * | 2002-12-20 | 2004-07-22 | Durousseau Donald R. | Intelligent deception verification system |
MXPA05007902A (es) * | 2003-01-27 | 2006-04-18 | Compumedics Usa Inc | Reconstruccion de fuente en linea para eeg/meg y ecg/mcg. |
JP3581361B1 (ja) * | 2003-02-17 | 2004-10-27 | 株式会社脳機能研究所 | 脳活動測定装置 |
US7546158B2 (en) * | 2003-06-05 | 2009-06-09 | The Regents Of The University Of California | Communication methods based on brain computer interfaces |
DE10331800A1 (de) * | 2003-07-14 | 2005-02-03 | Daimlerchrysler Ag | Belastungssondierung für Fahrzeugführer |
FI115737B (fi) * | 2003-09-26 | 2005-06-30 | Elekta Neuromag Oy | Menetelmä monikanavaisen mittaussignaalin käyttämiseksi lähdemallinnuksessa |
EP1695339A4 (de) * | 2003-12-08 | 2007-07-18 | Neural Signals Inc | System und verfahren zur spracherzeugung aus hirnaktivität |
US20050182313A1 (en) * | 2004-02-17 | 2005-08-18 | Tucker Don M. | Method and apparatus for noise extraction in measurements of electromagnetic activity in biological sources |
US20050273017A1 (en) * | 2004-03-26 | 2005-12-08 | Evian Gordon | Collective brain measurement system and method |
US20050261940A1 (en) * | 2004-05-19 | 2005-11-24 | Gay James A | Method and apparatus for managing drug inventory at point of care |
EP1765459B1 (de) | 2004-06-15 | 2018-11-28 | Cochlear Limited | Automatischer nachweis der schwelle einer evozierten nervenreaktion |
WO2006012913A1 (en) * | 2004-08-04 | 2006-02-09 | Best Holding Gmbh | Method and apparatus to localize, image and analyze discrete sources and their activity patterns |
US20090105521A1 (en) * | 2004-09-13 | 2009-04-23 | Jonathan Bentwich | Systems and methods for assessing and treating medical conditions related to the central nervous system and for enhancing cognitive functions |
US20090099623A1 (en) * | 2004-09-13 | 2009-04-16 | Neuronix Ltd. | Systems and methods for treatment of medical conditions related to the central nervous system and for enhancing cognitive functions |
US20060058853A1 (en) * | 2004-09-13 | 2006-03-16 | Jonathan Bentwich | Integrated system and method for treating disease using cognitive-training and brain stimulation and computerized magnetic photo-electric stimulator (cmpes) |
US7627370B2 (en) * | 2004-10-20 | 2009-12-01 | Marks Donald H | Brain function decoding process and system |
WO2006060727A2 (en) * | 2004-12-03 | 2006-06-08 | Aspect Medical Systems, Inc. | System and method for eeg imaging of cerebral activity using electrode sets |
CA2594456C (en) | 2005-01-12 | 2014-04-29 | Aspect Medical Systems, Inc. | System and method for prediction of adverse events during treatment of psychological and neurological disorders |
US7376459B2 (en) * | 2005-08-15 | 2008-05-20 | J. Peter Rosenfeld | System and method for P300-based concealed information detector having combined probe and target trials |
CN100345526C (zh) * | 2005-12-15 | 2007-10-31 | 西安交通大学 | 一种多导脑生物信息反馈仪 |
EP2037803A2 (de) * | 2006-07-06 | 2009-03-25 | Regents Of The University Of Minnesota | Analyse von gehirnmustern mittels temporaler messungen |
KR100866215B1 (ko) * | 2006-12-20 | 2008-10-30 | 삼성전자주식회사 | 뇌파를 이용한 단말의 구동 방법 및 장치 |
US8075137B2 (en) * | 2007-02-16 | 2011-12-13 | Objectivision Limited | Stimulus method for multifocal visual evoked potential |
CN101711388B (zh) | 2007-03-29 | 2016-04-27 | 神经焦点公司 | 营销和娱乐的效果分析 |
WO2008137581A1 (en) * | 2007-05-01 | 2008-11-13 | Neurofocus, Inc. | Neuro-feedback based stimulus compression device |
US8386312B2 (en) * | 2007-05-01 | 2013-02-26 | The Nielsen Company (Us), Llc | Neuro-informatics repository system |
US8392253B2 (en) * | 2007-05-16 | 2013-03-05 | The Nielsen Company (Us), Llc | Neuro-physiology and neuro-behavioral based stimulus targeting system |
WO2008144569A1 (en) * | 2007-05-16 | 2008-11-27 | Neurofocus, Inc. | Habituation analysis using central nervous system, autonomic nervous system and effector system measurements |
US8494905B2 (en) | 2007-06-06 | 2013-07-23 | The Nielsen Company (Us), Llc | Audience response analysis using simultaneous electroencephalography (EEG) and functional magnetic resonance imaging (fMRI) |
US20090030287A1 (en) * | 2007-06-06 | 2009-01-29 | Neurofocus Inc. | Incented response assessment at a point of transaction |
US20090036755A1 (en) * | 2007-07-30 | 2009-02-05 | Neurofocus, Inc. | Entity and relationship assessment and extraction using neuro-response measurements |
US8533042B2 (en) | 2007-07-30 | 2013-09-10 | The Nielsen Company (Us), Llc | Neuro-response stimulus and stimulus attribute resonance estimator |
US8635105B2 (en) | 2007-08-28 | 2014-01-21 | The Nielsen Company (Us), Llc | Consumer experience portrayal effectiveness assessment system |
EP2180825A4 (de) * | 2007-08-28 | 2013-12-04 | Neurofocus Inc | System zur beurteilung von benutzererfahrungen |
US8386313B2 (en) | 2007-08-28 | 2013-02-26 | The Nielsen Company (Us), Llc | Stimulus placement system using subject neuro-response measurements |
US8392255B2 (en) | 2007-08-29 | 2013-03-05 | The Nielsen Company (Us), Llc | Content based selection and meta tagging of advertisement breaks |
US20090062680A1 (en) * | 2007-09-04 | 2009-03-05 | Brain Train | Artifact detection and correction system for electroencephalograph neurofeedback training methodology |
US20090083129A1 (en) | 2007-09-20 | 2009-03-26 | Neurofocus, Inc. | Personalized content delivery using neuro-response priming data |
US8494610B2 (en) | 2007-09-20 | 2013-07-23 | The Nielsen Company (Us), Llc | Analysis of marketing and entertainment effectiveness using magnetoencephalography |
EP2227783A1 (de) * | 2007-10-19 | 2010-09-15 | Boston Scientific Scimed, Inc. | Anzeige von klassifiziererausgabe und konfidenzmass in einem bild |
US9357240B2 (en) | 2009-01-21 | 2016-05-31 | The Nielsen Company (Us), Llc | Methods and apparatus for providing alternate media for video decoders |
US8464288B2 (en) | 2009-01-21 | 2013-06-11 | The Nielsen Company (Us), Llc | Methods and apparatus for providing personalized media in video |
US8270814B2 (en) | 2009-01-21 | 2012-09-18 | The Nielsen Company (Us), Llc | Methods and apparatus for providing video with embedded media |
US20100250325A1 (en) | 2009-03-24 | 2010-09-30 | Neurofocus, Inc. | Neurological profiles for market matching and stimulus presentation |
US9545519B2 (en) * | 2009-07-20 | 2017-01-17 | Imec | Active interface device |
EP2278329B1 (de) * | 2009-07-20 | 2014-04-30 | Imec | Aktive Schnittstellenvorrichtung |
US20110046941A1 (en) * | 2009-08-18 | 2011-02-24 | Manuel-Devados Johnson Smith Johnson | Advanced Natural Language Translation System |
US20110046502A1 (en) * | 2009-08-20 | 2011-02-24 | Neurofocus, Inc. | Distributed neuro-response data collection and analysis |
US20110046473A1 (en) * | 2009-08-20 | 2011-02-24 | Neurofocus, Inc. | Eeg triggered fmri signal acquisition |
US8655437B2 (en) * | 2009-08-21 | 2014-02-18 | The Nielsen Company (Us), Llc | Analysis of the mirror neuron system for evaluation of stimulus |
US10987015B2 (en) | 2009-08-24 | 2021-04-27 | Nielsen Consumer Llc | Dry electrodes for electroencephalography |
US8756657B2 (en) * | 2009-09-29 | 2014-06-17 | Ebay Inc. | Mobile or user device authentication and tracking |
US8209224B2 (en) * | 2009-10-29 | 2012-06-26 | The Nielsen Company (Us), Llc | Intracluster content management using neuro-response priming data |
US9560984B2 (en) | 2009-10-29 | 2017-02-07 | The Nielsen Company (Us), Llc | Analysis of controlled and automatic attention for introduction of stimulus material |
US20110106750A1 (en) | 2009-10-29 | 2011-05-05 | Neurofocus, Inc. | Generating ratings predictions using neuro-response data |
US8335715B2 (en) * | 2009-11-19 | 2012-12-18 | The Nielsen Company (Us), Llc. | Advertisement exchange using neuro-response data |
US8335716B2 (en) * | 2009-11-19 | 2012-12-18 | The Nielsen Company (Us), Llc. | Multimedia advertisement exchange |
US8700141B2 (en) * | 2010-03-10 | 2014-04-15 | Brainscope Company, Inc. | Method and apparatus for automatic evoked potentials assessment |
US20110237971A1 (en) * | 2010-03-25 | 2011-09-29 | Neurofocus, Inc. | Discrete choice modeling using neuro-response data |
WO2011133548A2 (en) | 2010-04-19 | 2011-10-27 | Innerscope Research, Inc. | Short imagery task (sit) research method |
US8655428B2 (en) | 2010-05-12 | 2014-02-18 | The Nielsen Company (Us), Llc | Neuro-response data synchronization |
US8392251B2 (en) | 2010-08-09 | 2013-03-05 | The Nielsen Company (Us), Llc | Location aware presentation of stimulus material |
US8392250B2 (en) | 2010-08-09 | 2013-03-05 | The Nielsen Company (Us), Llc | Neuro-response evaluated stimulus in virtual reality environments |
US8396744B2 (en) | 2010-08-25 | 2013-03-12 | The Nielsen Company (Us), Llc | Effective virtual reality environments for presentation of marketing materials |
EP2621333B1 (de) | 2010-09-28 | 2015-07-29 | Masimo Corporation | Bewusstseinstiefenmonitor mit oximeter |
US9775545B2 (en) | 2010-09-28 | 2017-10-03 | Masimo Corporation | Magnetic electrical connector for patient monitors |
US20120108909A1 (en) * | 2010-11-03 | 2012-05-03 | HeadRehab, LLC | Assessment and Rehabilitation of Cognitive and Motor Functions Using Virtual Reality |
US10638946B2 (en) | 2010-12-07 | 2020-05-05 | Emtee Associates, L.P. | Methods for detecting truth utilizing biologic data |
AU2011356277B2 (en) * | 2011-01-20 | 2014-11-27 | T&W Engineering A/S | Personal EEG monitoring device with electrode validation |
US9292858B2 (en) | 2012-02-27 | 2016-03-22 | The Nielsen Company (Us), Llc | Data collection system for aggregating biologically based measures in asynchronous geographically distributed public environments |
US9451303B2 (en) | 2012-02-27 | 2016-09-20 | The Nielsen Company (Us), Llc | Method and system for gathering and computing an audience's neurologically-based reactions in a distributed framework involving remote storage and computing |
US9569986B2 (en) | 2012-02-27 | 2017-02-14 | The Nielsen Company (Us), Llc | System and method for gathering and analyzing biometric user feedback for use in social media and advertising applications |
US9060671B2 (en) | 2012-08-17 | 2015-06-23 | The Nielsen Company (Us), Llc | Systems and methods to gather and analyze electroencephalographic data |
US10606353B2 (en) * | 2012-09-14 | 2020-03-31 | Interaxon Inc. | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
WO2014059145A1 (en) | 2012-10-12 | 2014-04-17 | Forty Winks Llc | Sleep tracking and waking optimization system and method therefor |
EP2722012B1 (de) * | 2012-10-18 | 2015-06-03 | Storz Medical AG | Vorrichtung zur Stoßwellentherapie eines menschlichen Gehirns |
FR3001379B1 (fr) * | 2013-01-30 | 2019-06-14 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede de localisation d'une activite cerebrale, notamment pour commande neuronale directe. |
US9320450B2 (en) | 2013-03-14 | 2016-04-26 | The Nielsen Company (Us), Llc | Methods and apparatus to gather and analyze electroencephalographic data |
WO2014186774A1 (en) * | 2013-05-16 | 2014-11-20 | The Regents Of The University Of California | Fully automated localization of electroencephlography (eeg) electrodes |
US9622702B2 (en) | 2014-04-03 | 2017-04-18 | The Nielsen Company (Us), Llc | Methods and apparatus to gather and analyze electroencephalographic data |
US20150294580A1 (en) * | 2014-04-11 | 2015-10-15 | Aspen Performance Technologies | System and method for promoting fluid intellegence abilities in a subject |
GB201409766D0 (en) * | 2014-06-02 | 2014-07-16 | Cambridge Entpr Ltd | Signal processing methods |
US10154815B2 (en) | 2014-10-07 | 2018-12-18 | Masimo Corporation | Modular physiological sensors |
US10318833B2 (en) * | 2015-01-16 | 2019-06-11 | Puneet Agarwal | System and method for person identification and personality assessment based on EEG signal |
US9936250B2 (en) | 2015-05-19 | 2018-04-03 | The Nielsen Company (Us), Llc | Methods and apparatus to adjust content presented to an individual |
US10232139B1 (en) | 2015-06-12 | 2019-03-19 | Chrona Sleep, Inc. | Smart pillow cover and alarm to improve sleeping and waking |
CN105395196B (zh) * | 2015-12-17 | 2018-07-27 | 中国科学院苏州生物医学工程技术研究所 | Eeg或meg电极在脑mr图像中的定位装置和方法 |
US10506974B2 (en) | 2016-03-14 | 2019-12-17 | The Nielsen Company (Us), Llc | Headsets and electrodes for gathering electroencephalographic data |
US10736557B2 (en) | 2016-03-30 | 2020-08-11 | Brain F.I.T. Imaging, LLC | Methods and magnetic imaging devices to inventory human brain cortical function |
EP3562384B1 (de) | 2016-12-29 | 2024-03-13 | Finkelstein, Elliot Steven | Tragbares system zur überwachung von hirntrauma |
CN107095672B (zh) * | 2017-06-10 | 2020-11-03 | 深圳创达云睿智能科技有限公司 | 一种去除脑电信号中伪迹信号的方法 |
US11723579B2 (en) | 2017-09-19 | 2023-08-15 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement |
US11337631B2 (en) | 2017-10-03 | 2022-05-24 | Brainn F.I.T. Imaging, LLC | Methods and magnetic imaging devices to inventory human brain cortical function |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
EP3731749A4 (de) | 2017-12-31 | 2022-07-27 | Neuroenhancement Lab, LLC | System und verfahren zur neuroverstärkung zur verbesserung der emotionalen reaktion |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
CN113382683A (zh) | 2018-09-14 | 2021-09-10 | 纽罗因恒思蒙特实验有限责任公司 | 改善睡眠的系统和方法 |
CA3135689A1 (en) | 2019-04-03 | 2020-10-08 | Brain F.I.T. Imaging, LLC | Methods and magnetic imaging devices to inventory human brain cortical function |
US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
EP3986268A4 (de) * | 2019-06-18 | 2023-11-01 | Eeg-Sense Ltd. | Verfahren und system zur messung von eeg-signalen |
WO2021071871A1 (en) * | 2019-10-09 | 2021-04-15 | Trustees Of Boston University | Electrography system employing layered electrodes for improved spatial resolution |
JP6923107B1 (ja) * | 2019-12-16 | 2021-08-18 | 住友ベークライト株式会社 | 脳波検出用電極及び脳波検出システム |
CN111110229A (zh) * | 2019-12-25 | 2020-05-08 | 上海理工大学 | 一种便携式无线脑电检测帽子 |
CN111289926B (zh) * | 2020-02-19 | 2021-07-02 | 北京航空航天大学 | 一种脑磁测量头盔的设计和标定方法 |
CN111387949B (zh) * | 2020-04-13 | 2023-08-08 | 上海交通大学医学院附属新华医院 | 一种儿童头颅扫描仪 |
US20230060317A1 (en) * | 2021-09-01 | 2023-03-02 | FieldLine Inc. | Coregistration of magnetoencephalography (meg) data to anatomical space |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4417591A (en) * | 1980-12-31 | 1983-11-29 | Braintech, Inc. | Apparatus and method for topographic display of multichannel EEG data |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3490439A (en) * | 1965-07-30 | 1970-01-20 | Dale R Rolston | Electrode holder for use with an electroencephalograph |
US3411495A (en) * | 1965-12-14 | 1968-11-19 | United Aircraft Corp | Bio-electrical sensor |
US3508541A (en) * | 1967-10-16 | 1970-04-28 | Nasa | Electrode construction |
US3998213A (en) * | 1975-04-08 | 1976-12-21 | Bio-Volt Corporation | Self-adjustable holder for automatically positioning electroencephalographic electrodes |
US4094307A (en) * | 1977-02-24 | 1978-06-13 | Young Jr David N | Method and apparatus for aiding in the anatomical localization of dysfunction in a brain |
DE2831412A1 (de) * | 1978-07-17 | 1980-01-31 | Siemens Ag | Messgeraet fuer die bioelektrische aktivitaet des zentralen nervensystems |
DE3025955A1 (de) * | 1980-07-09 | 1982-01-21 | Forschungsgesellschaft für Biomedizinische Technik, 5100 Aachen | Ableitelektrode zur aufnahme bioelektrischer aktivitaet von behaarten koerperregionen |
US4407299A (en) * | 1981-05-15 | 1983-10-04 | The Children's Medical Center Corporation | Brain electrical activity mapping |
US4537198A (en) * | 1983-05-03 | 1985-08-27 | Sue Corbett | Electrode cap |
US4649482A (en) * | 1984-08-31 | 1987-03-10 | Bio-Logic Systems Corp. | Brain electrical activity topographical mapping |
US4632122A (en) * | 1985-04-24 | 1986-12-30 | Johansson Nils E | Method and apparatus for conducting brain function diagnostic test |
US4683892A (en) * | 1985-04-24 | 1987-08-04 | Johansson Nils E | Method and apparatus for conducting brain function diagnostic test |
US4709702A (en) * | 1985-04-25 | 1987-12-01 | Westinghouse Electric Corp. | Electroencephalographic cap |
US4967038A (en) * | 1986-12-16 | 1990-10-30 | Sam Techology Inc. | Dry electrode brain wave recording system |
US4736751A (en) * | 1986-12-16 | 1988-04-12 | Eeg Systems Laboratory | Brain wave source network location scanning method and system |
US4957109A (en) * | 1988-08-22 | 1990-09-18 | Cardiac Spectrum Technologies, Inc. | Electrocardiograph system |
-
1986
- 1986-12-16 US US06/942,204 patent/US4736751A/en not_active Expired - Lifetime
-
1987
- 1987-12-10 DE DE3741874A patent/DE3741874C2/de not_active Expired - Fee Related
- 1987-12-15 JP JP62317262A patent/JPS63226340A/ja active Pending
-
1990
- 1990-07-31 EP EP19900912995 patent/EP0524170A4/en not_active Withdrawn
- 1990-07-31 WO PCT/US1990/004310 patent/WO1992002176A1/en not_active Application Discontinuation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4417591A (en) * | 1980-12-31 | 1983-11-29 | Braintech, Inc. | Apparatus and method for topographic display of multichannel EEG data |
Non-Patent Citations (1)
Title |
---|
US-Z.: IEEE Transactions on Biomedical Engineering, Vol. BME-25, 1978, S. 405-413 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4039648A1 (de) * | 1990-12-12 | 1992-07-16 | Rolf Wendler | Messwertverarbeitungssystem fuer ein biologisches objekt |
WO2015136238A1 (en) * | 2014-03-14 | 2015-09-17 | Bye Edwin David | Measuring and recording body electrical potentials |
Also Published As
Publication number | Publication date |
---|---|
US4736751A (en) | 1988-04-12 |
EP0524170A4 (en) | 1993-03-17 |
JPS63226340A (ja) | 1988-09-21 |
DE3741874C2 (de) | 1998-10-22 |
EP0524170A1 (de) | 1993-01-27 |
WO1992002176A1 (en) | 1992-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE3741874C2 (de) | Verfahren und System zur Darstellung der Lage der neuronalen Tätigkeit und der zeitlichen Wechselbeziehungen zwischen Hirnbereichen | |
Keil et al. | Committee report: publication guidelines and recommendations for studies using electroencephalography and magnetoencephalography | |
Abootalebi et al. | A comparison of methods for ERP assessment in a P300-based GKT | |
Johnson et al. | Timecourse of neural signatures of object recognition | |
Astolfi et al. | Assessing cortical functional connectivity by linear inverse estimation and directed transfer function: simulations and application to real data | |
Brunet et al. | Spatiotemporal analysis of multichannel EEG: CARTOOL | |
DE69637337T2 (de) | Verbesserungen in Bezug auf physiologische Überwachung | |
Kovalenko et al. | A pool of pairs of related objects (POPORO) for investigating visual semantic integration: Behavioral and electrophysiological validation | |
EP0538739B1 (de) | Vorrichtung zur Bestimmung des Gesundheitszustandes eines Lebewesens | |
Harper et al. | Stimulus sequence context differentially modulates inhibition‐related theta and delta band activity in a go/no‐go task | |
Gwilliams et al. | Functional characterisation of letter-specific responses in time, space and current polarity using magnetoencephalography | |
Mattout et al. | Multivariate source prelocalization (MSP): use of functionally informed basis functions for better conditioning the MEG inverse problem | |
DE112004002948T5 (de) | Eignungstest | |
Breuer et al. | Ocular and cardiac artifact rejection for real-time analysis in MEG | |
Zhang et al. | Objective Extraction of Evoked Event‐Related Oscillation from Time‐Frequency Representation of Event‐Related Potentials | |
DE69025612T2 (de) | Analyse von biologischen Signalen unter Verwendung von Daten von Sensorarrays | |
Chou et al. | Explore the functional connectivity between brain regions during a chemistry working memory task | |
Rong et al. | Magnetoencephalographic artifact identification and automatic removal based on independent component analysis and categorization approaches | |
Fallani et al. | Structure of the cortical networks during successful memory encoding in TV commercials | |
Sagehorn et al. | Real-life relevant face perception is not captured by the N170 but reflected in later potentials: A comparison of 2D and virtual reality stimuli | |
Van der Lubbe et al. | Lateralized connectivity in the alpha band between parietal and occipital sources when spatial attention is externally and internally directed | |
Mäkelä et al. | Removing ocular artifacts from magnetoencephalographic data on naturalistic reading of continuous texts | |
Fabio et al. | Alpha oscillations are involved in localizing touch on handheld tools | |
Baillet | Electromagnetic brain mapping using MEG and EEG | |
US11950919B2 (en) | System for real-time measurement of the activity of a cognitive function and method for calibrating such a system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8110 | Request for examination paragraph 44 | ||
8127 | New person/name/address of the applicant |
Owner name: SAM TECHNOLOGY, INC., SAN FRANCISCO, CALIF., US |
|
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |