Grundlagen der neuronalen Oszillationen
Roshini Randeniya
Aktualisiert am
22.05.2024
Grundlagen der neuronalen Oszillationen
Roshini Randeniya
Aktualisiert am
22.05.2024
Grundlagen der neuronalen Oszillationen
Roshini Randeniya
Aktualisiert am
22.05.2024
1. Einführung
Herzlich willkommen! In diesem Tutorial lernen wir etwas über Gehirnwellen und wie wir diese nutzen können, um das Gehirn und das Verhalten zu verstehen.
Hans Berger prägte 1929 den Begriff Elektroenzephalogramm, als er Veränderungen der elektrischen Potenziale beschrieb, die mithilfe von Sensoren auf dem Kopf einer Person aufgezeichnet wurden. Er identifizierte zwei Arten von Gehirnwellen, die er einfach aufgrund der Reihenfolge, in der er sie aufgezeichnet hatte, als Alpha- und Beta-Wellen bezeichnete. Solche Wellen waren bereits bei anderen Säugetieren aufgezeichnet worden, aber Berger hatte sie zum ersten Mal beim Menschen beschrieben!
Seitdem ist die Elektroenzephalographie-Methode zu einem Schlüsselwerkzeug in den Neurowissenschaften geworden. Sie hat dazu beigetragen, unser Verständnis von Gehirnwellen (die von Forschern als neuronale Oszillationen bezeichnet werden) weiterzuentwickeln und Zustände im Gehirn wie Müdigkeit und Wachheit zu charakterisieren.
In diesem kurzen Tutorial werden wir folgendes behandeln:
Was sind neuronale Oszillationen?
Wie können wir neuronale Oszillationen messen?
Was können wir mit neuronalen Oszillationen machen?
Praktische Anwendung mit Geräten und Software von Emotiv.
2. Was ist EEG?
Die Elektroenzephalographie (EEG) ist eine nicht-invasive und passive Methode zur Messung der elektrischen Aktivität unseres Gehirns. Elektroden/Sensoren/Kanäle werden auf der Kopfhaut platziert, um die elektrische Aktivität aufzuzeichnen, die von Gruppen von Gehirnzellen, den sogenannten Neuronen, erzeugt wird.
Abb. 1 – Neuronen erzeugen elektrische Aktivität, die mit einem EEG-Gerät nachgewiesen werden kann [Siuly, et al. (2016)].
2.1. EEG-Systeme
Es gibt viele EEG-Geräte auf dem Markt, mit denen ein EEG aufgezeichnet werden kann. EEG-Geräte können Folgendes aufweisen:
Einen einzelnen Sensor oder bis zu 256 Elektroden – Mehr Elektroden würden eine höhere räumliche Auflösung der Informationen über die Kopfhaut liefern.
Nasse oder trockene Elektroden – Nasse Elektroden verwenden ein Elektrolytgel oder eine Kochsalzlösung, um die Leitfähigkeit zwischen der Kopfhaut und dem Sensor zu verbessern. Trockene Elektroden können Metall oder leitfähige Polymere sein, die direkten Kontakt mit der Kopfhaut benötigen.
Aktive oder passive Elektrode – Passive Elektrodensysteme leiten das Signal einfach an das Gerät weiter, wo es verstärkt wird. Aktive Elektrodensysteme verstärken das Signal an jeder Elektrode, bevor es das Gerät zur Verstärkung erreicht. Dies reduziert das elektrische Umgebungsrauschen im Signal.
Kabelgebundene oder kabellose Geräte, die Daten über Bluetooth übertragen.
Abb. 2 – Ein kabelloses EEG-System mit geringer Dichte.
Abb. 3 – Ein kabelgebundenes EEG-System mit hoher Elektrodendichte.
2.2. Wann sollte das EEG eingesetzt werden?
Jede Neuroimaging-Methode kann helfen, unterschiedliche Forschungsfragen zu beantworten.
Die größte Stärke des EEG liegt darin, dass es neuronale Aktivitäten im Millisekundenbereich messen kann, was die Messung vorbewusster Prozesse ermöglicht.
Abb. 4 – Räumliche vs. zeitliche Auflösung verschiedener Werkzeuge der Bildgebung des Gehirns.
Es eignet sich am besten für Fragen wie „Welche Teile meines Videos haben die Teilnehmer am meisten beachtet?“
Das EEG zeichnet Aktivitäten hauptsächlich aus den äußeren Schichten des Gehirns auf (d. h. es hat eine geringe räumliche Auflösung). Mit einem einzigen Sensor ist es unmöglich, die Quelle der Aktivität zu identifizieren. Die Aufzeichnung mit einer großen Anzahl von Kanälen kann es ermöglichen, die Quelle mathematisch zu rekonstruieren, ist aber bei der Identifizierung tiefer Quellen immer noch begrenzt. Die funktionelle Magnetresonanztomographie (fMRT) ist besser geeignet, um Fragen wie „Welcher Teil des Gehirns steht im Zusammenhang mit Veränderungen der Aufmerksamkeit?“ zu beantworten.
2.3. Vom Sensor zum Roh-EEG?
Sobald ein EEG-Gerät am Kopf angebracht ist, wird die Gehirnaktivität an einem einzelnen Sensor als Amplitudendifferenz zwischen diesem Sensor und einem Referenzsensor gemessen. Bei den meisten EEG-Systemen wird dies als Common Mode Sense (CMS)-Elektrode bezeichnet. Ein zusätzlicher Sensor, das Driven Right Leg (DRL), hilft, Störungen am CMS zu reduzieren.
Abb. 5 – Vereinfachtes Blockdiagramm der EEG-Signalübertragung.
In Systemen mit aktiven und passiven Elektroden wird das Signal anschließend verstärkt und tiefpassgefiltert. Die Tiefpassfilterung ist ein Schritt, der mögliche elektrische Störungen aus der Umgebung in Ihrem Signal, z. B. Netzleitungen, entfernt.
Diese Schritte finden in der Hardware selbst statt, bevor das rohe EEG-Signal auf Ihrem Computerbildschirm angezeigt werden kann.
2.4. Einige grundlegende Fachbegriffe
10-20 Standard-Namenskonvention
Linke Sensoren sind in der Regel ungerade nummeriert und rechte Sensoren in der Regel gerade nummeriert.
Hinweis 1: Dies sind nur Namenskonventionen und die Quelle der Position des EEG-Sensors ist kein Indikator für die Quelle der Aktivität.
Hinweis 2: Zusätzliche Schritte wie die mathematische Rekonstruktion der Quelle müssen durchgeführt werden, um die Quelle der Aktivität an einem einzelnen Kanal zu bestimmen.
3. Was sind neuronale Oszillationen?
Gehirnwellen, oft auch als neuronale Oszillationen bezeichnet, sind rhythmische Muster, die von einem einzelnen Neuron oder einer Gruppe von Neuronen erzeugt werden.
Es ist noch nicht klar, warum das Gehirn diese verschiedenen Arten von Oszillationen erzeugt, obwohl es viele Theorien gibt. Forscher nutzen verschiedene Aufgaben, um diese oszillatorischen Aktivitäten zu charakterisieren, und versuchen, die Geheimnisse des Gehirns anhand dieser rhythmischen Muster zu verstehen.
3.1. Einige Eigenschaften einer Oszillation
Diese Abbildung zeigt eine Messung eines regulären elektrischen Signals:
Abb. 6 – Räumliche vs. zeitliche Auflösung verschiedener Werkzeuge der Bildgebung des Gehirns.
Auf der linken Seite (y-Achse) können wir die Amplitude der elektrischen Aufzeichnung und auf der horizontalen Achse (x-Achse) die Zeit darstellen. Die Amplitude des Signals variiert in seiner Größe in einer regelmäßigen Weise um einen Mittelpunkt. Ein Zyklus wird auch als Oszillation bezeichnet.
Die Anzahl der Zyklen pro Sekunde wird als Frequenz der Welle bezeichnet und die Einheit ist Hertz (Hz). Also entspricht 1 Zyklus pro Sekunde = 1 Hz. Die Amplituden werden typischerweise in Mikrovolt (µV) gemessen.
Im Gehirn sehen wir Wellen mit Frequenzen im Bereich von 0,2 Hz (sehr langsame Wellen) bis 80 Hz oder mehr (sehr schnelle Wellen). Hochfrequente Aktivitäten bis zu 500 Hz, die mit Krampfanfällen einhergehen, können ebenfalls im Gehirn aufgezeichnet werden.
Verschiedene Arten von Gehirnoszillationen werden anhand ihrer Frequenz charakterisiert. Diese werden als Frequenzbänder bezeichnet und können mit verschiedenen Gehirnzuständen in Verbindung gebracht werden:
Abb. 7 – Gehirnwellen in einem typischen EEG.
3.2. Warum sind verschiedene Frequenzbänder wichtig?
Identifizierung normaler vs. abnormaler Gehirnmuster
Neuronale Oszillationen sind wichtig für die Erkennung von Anfällen und die Diagnose von Epilepsie in der Neurologie.Brain-Computer-Interfaces (BCI)
Die Stärke der Beta-, Gamma- und Mu-Oszillationen wird oft verwendet, um externe Geräte zu steuern (z. B. einen Rollstuhl mit Gedanken zu bewegen).Neurofeedback
Dies ist eine Form des Gehirntrainings, bei der Sie Ihre Gehirnwellen (z. B. Gamma-Oszillationen) visualisieren und kognitive Aufgaben ausführen können, um die Menge an Gamma-Oszillationen in Ihrem Gehirn zu erhöhen.Neuromarketing
Alpha- und Beta-Frequenzbänder können verwendet werden, um zu bestimmen, welcher Teil einer Werbung mehr oder weniger fesselnd ist.
3.3. Arten der EEG-Datenanalyse
Am häufigsten führen Forscher Analysen entweder im Zeitbereich oder im Frequenzbereich durch.
Analyse im Zeitbereich
Misst typischerweise die Spannungsamplitude zu interessierenden Zeitpunkten nach dem Einsetzen eines Reizes. Diese werden als ereigniskorrelierte Potentiale (EKP) bezeichnet.
Analyse im Frequenzbereich
Misst typischerweise die Menge der neuronalen Oszillationen in verschiedenen Frequenzbändern in einem definierten Zeitfenster oder im Zusammenhang mit dem Auftreten eines Ereignisses.
Als Nächstes geben wir einen Überblick über die Analyse im Frequenzbereich.
3.4. Verarbeitung
Nachdem Sie eine EEG-Aufzeichnung gemacht haben, bereinigen Sie in der Regel die Daten, bevor Sie die Oszillationen interpretieren.
Filterung
Eine Technik zur Entfernung von hoch- und niederfrequentem Umgebungsrauschen in den Daten.Artefaktentfernung
Körperliche Bewegung oder Blinzeln können große Artefakte verursachen (Spitzenwerte von > 50 µV im EEG). Diese können entfernt werden, damit sie unsere Ergebnisse nicht beeinflussen. Einige Forscher nutzen anspruchsvolle Methoden zur Korrektur dieser Artefakte, um Daten zu erhalten.
Nachdem die Daten verarbeitet wurden, kann das Signal nun in den Frequenzbereich umgewandelt werden, sodass wir die Menge jeder Gehirnwellenart quantifizieren können.
Abb. 8 – Blinzelartefakt im rohen EEG.
3.5. Schnelle Fourier-Transformation (FFT)
Eine Fourier-Transformation ist die mathematische Umwandlung des EEG-Signals vom „Zeitbereich“ (Bild A) in den „Frequenzbereich“ (Bild B).
Im Frequenzbereich können wir quantifizieren, wie viel von jeder Oszillationsart in unserer Aufzeichnung vorhanden war. Dies ist in der Regel die „Leistung“ des Frequenzbands und kann als Leistungsspektrum dargestellt werden (Bild B).
Abb. 9A – Roh-EEG im Zeitbereich.
Abb. 9B – Leistungsspektrum nach FFT (Frequenzbereich).
3.6. Bandleistung
Die Leistung eines Frequenzbandes (z. B. Alpha-Band), das aus einer Fourier-Transformation gewonnen wurde, zeigt uns, wie viel von jedem Frequenzband vorhanden ist. Die Einheiten der Bandleistung sind typischerweise in µV2/Hz angegeben. Meistens werden Amplituden- oder Leistungsspektren einer FFT in der logarithmischen Einheit Dezibel (dB) dargestellt. Das Dezibel ist eine Einheit für das Verhältnis zwischen einer gemessenen Leistung (P) und einer Referenzleistung (Pr) wie folgt:
Sobald dieses Maß für die interessierenden Ereignisse ermittelt wurde, können die Bandleistungen verglichen werden, um experimentelle Effekte auf Gehirnwellen zu verstehen.
4. Von der Theorie zur Praxis
Als Nächstes werden wir uns den Alpha-Blockade-Effekt ansehen.
Dies ist ein Phänomen, über das Hans Berger zuerst berichtete und bei dem wir eine signifikante Abnahme der Alpha-Oszillationen (Alpha-Leistung) sehen, wenn die Augen einer Person geöffnet sind, im Vergleich dazu, wenn sie geschlossen sind.
Abb. 10 – Ein Anstieg der Alpha-Oszillationen ist zu sehen, wenn die Augen geöffnet sind.
Zuerst haben wir mit dem EmotivPRO Builder ein einfaches Experiment aufgebaut. In diesem Experiment wird ein Teilnehmer einfach gebeten, seine Augen 2 Minuten lang offen zu halten, während er sich auf den Bildschirm konzentriert, und sie dann für 2 Minuten zu schließen. Er würde am Ende der 2 Minuten eine Glocke hören, die signalisiert, die Augen zu öffnen.
Sie können dem Video unten folgen, um Ihr eigenes Alpha-Blockade-Experiment zu erstellen, oder Sie können unser Experiment über den Link hier ausführen:
4.1. Anlegen des Geräts und EEG-Qualität
Erfahren Sie hier mehr darüber, wie unser EQ-Gate funktioniert. Weitere Informationen zum Anlegen speziell für Ihr Headset finden Sie hier:
EPOC-Typ
Insight-Typ
4.2. Verarbeitung und Transformation der EEG-Daten
Da Sie nun Ihre Daten haben, können Sie diese mit dem Emotiv Analyzer in den Frequenzbereich transformieren. Folgen Sie den Schritten im Video.
4.3. Interpretation der Daten
Sobald der Analyzer fertig ist, laden Sie die Zip-Datei herunter. Für jeden Datensatz erhalten Sie eine CSV-Datei mit Bandleistungen und eine Bilddatei, mit der Sie Ihre eigene statistische Analyse durchführen können.
Abb. 11 – Bandleistungen.
In unserer Ausgabe sehen wir den Anstieg der Alpha-Leistung bei geschlossenen Augen (orange) im Vergleich zu geöffneten Augen (blau).
Damit ist unser Tutorial beendet! Sie sind nun mit den Grundlagen vertraut 🙂
Einige Links zu weiterführender Literatur finden Sie im Abschnitt „Ressourcen“.
5. Ressourcen
WEITERFÜHRENDE LITERATUR
Donoghue et al. 2022 Methodological considerations for studying neural oscillations
GLOSSAR DER EEG-TERMINOLOGIE
Kane et al. 2017 (hier)
OPEN-SOURCE-CODE
Wenn Sie sich mit der Python-Codierung auskennen, haben wir Python-Skripte zur Verfügung gestellt, mit denen Sie Alpha-Leistungswerte abrufen können, die nach Segmenten mit offenen und geschlossenen Augen gekennzeichnet sind. Den Code und Beispiel-Datensätze zur Alpha-Blockade finden Sie hier: https://osf.io/9bvgh/
Emotiv-HANDBÜCHER
EmotivPRO Builder-Handbuch
EmotivPRO-Handbuch
EmotivPRO Analyzer-Handbuch
7. Referenzen
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), S. 3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, S. 170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. Einführung
Herzlich willkommen! In diesem Tutorial lernen wir etwas über Gehirnwellen und wie wir diese nutzen können, um das Gehirn und das Verhalten zu verstehen.
Hans Berger prägte 1929 den Begriff Elektroenzephalogramm, als er Veränderungen der elektrischen Potenziale beschrieb, die mithilfe von Sensoren auf dem Kopf einer Person aufgezeichnet wurden. Er identifizierte zwei Arten von Gehirnwellen, die er einfach aufgrund der Reihenfolge, in der er sie aufgezeichnet hatte, als Alpha- und Beta-Wellen bezeichnete. Solche Wellen waren bereits bei anderen Säugetieren aufgezeichnet worden, aber Berger hatte sie zum ersten Mal beim Menschen beschrieben!
Seitdem ist die Elektroenzephalographie-Methode zu einem Schlüsselwerkzeug in den Neurowissenschaften geworden. Sie hat dazu beigetragen, unser Verständnis von Gehirnwellen (die von Forschern als neuronale Oszillationen bezeichnet werden) weiterzuentwickeln und Zustände im Gehirn wie Müdigkeit und Wachheit zu charakterisieren.
In diesem kurzen Tutorial werden wir folgendes behandeln:
Was sind neuronale Oszillationen?
Wie können wir neuronale Oszillationen messen?
Was können wir mit neuronalen Oszillationen machen?
Praktische Anwendung mit Geräten und Software von Emotiv.
2. Was ist EEG?
Die Elektroenzephalographie (EEG) ist eine nicht-invasive und passive Methode zur Messung der elektrischen Aktivität unseres Gehirns. Elektroden/Sensoren/Kanäle werden auf der Kopfhaut platziert, um die elektrische Aktivität aufzuzeichnen, die von Gruppen von Gehirnzellen, den sogenannten Neuronen, erzeugt wird.
Abb. 1 – Neuronen erzeugen elektrische Aktivität, die mit einem EEG-Gerät nachgewiesen werden kann [Siuly, et al. (2016)].
2.1. EEG-Systeme
Es gibt viele EEG-Geräte auf dem Markt, mit denen ein EEG aufgezeichnet werden kann. EEG-Geräte können Folgendes aufweisen:
Einen einzelnen Sensor oder bis zu 256 Elektroden – Mehr Elektroden würden eine höhere räumliche Auflösung der Informationen über die Kopfhaut liefern.
Nasse oder trockene Elektroden – Nasse Elektroden verwenden ein Elektrolytgel oder eine Kochsalzlösung, um die Leitfähigkeit zwischen der Kopfhaut und dem Sensor zu verbessern. Trockene Elektroden können Metall oder leitfähige Polymere sein, die direkten Kontakt mit der Kopfhaut benötigen.
Aktive oder passive Elektrode – Passive Elektrodensysteme leiten das Signal einfach an das Gerät weiter, wo es verstärkt wird. Aktive Elektrodensysteme verstärken das Signal an jeder Elektrode, bevor es das Gerät zur Verstärkung erreicht. Dies reduziert das elektrische Umgebungsrauschen im Signal.
Kabelgebundene oder kabellose Geräte, die Daten über Bluetooth übertragen.
Abb. 2 – Ein kabelloses EEG-System mit geringer Dichte.
Abb. 3 – Ein kabelgebundenes EEG-System mit hoher Elektrodendichte.
2.2. Wann sollte das EEG eingesetzt werden?
Jede Neuroimaging-Methode kann helfen, unterschiedliche Forschungsfragen zu beantworten.
Die größte Stärke des EEG liegt darin, dass es neuronale Aktivitäten im Millisekundenbereich messen kann, was die Messung vorbewusster Prozesse ermöglicht.
Abb. 4 – Räumliche vs. zeitliche Auflösung verschiedener Werkzeuge der Bildgebung des Gehirns.
Es eignet sich am besten für Fragen wie „Welche Teile meines Videos haben die Teilnehmer am meisten beachtet?“
Das EEG zeichnet Aktivitäten hauptsächlich aus den äußeren Schichten des Gehirns auf (d. h. es hat eine geringe räumliche Auflösung). Mit einem einzigen Sensor ist es unmöglich, die Quelle der Aktivität zu identifizieren. Die Aufzeichnung mit einer großen Anzahl von Kanälen kann es ermöglichen, die Quelle mathematisch zu rekonstruieren, ist aber bei der Identifizierung tiefer Quellen immer noch begrenzt. Die funktionelle Magnetresonanztomographie (fMRT) ist besser geeignet, um Fragen wie „Welcher Teil des Gehirns steht im Zusammenhang mit Veränderungen der Aufmerksamkeit?“ zu beantworten.
2.3. Vom Sensor zum Roh-EEG?
Sobald ein EEG-Gerät am Kopf angebracht ist, wird die Gehirnaktivität an einem einzelnen Sensor als Amplitudendifferenz zwischen diesem Sensor und einem Referenzsensor gemessen. Bei den meisten EEG-Systemen wird dies als Common Mode Sense (CMS)-Elektrode bezeichnet. Ein zusätzlicher Sensor, das Driven Right Leg (DRL), hilft, Störungen am CMS zu reduzieren.
Abb. 5 – Vereinfachtes Blockdiagramm der EEG-Signalübertragung.
In Systemen mit aktiven und passiven Elektroden wird das Signal anschließend verstärkt und tiefpassgefiltert. Die Tiefpassfilterung ist ein Schritt, der mögliche elektrische Störungen aus der Umgebung in Ihrem Signal, z. B. Netzleitungen, entfernt.
Diese Schritte finden in der Hardware selbst statt, bevor das rohe EEG-Signal auf Ihrem Computerbildschirm angezeigt werden kann.
2.4. Einige grundlegende Fachbegriffe
10-20 Standard-Namenskonvention
Linke Sensoren sind in der Regel ungerade nummeriert und rechte Sensoren in der Regel gerade nummeriert.
Hinweis 1: Dies sind nur Namenskonventionen und die Quelle der Position des EEG-Sensors ist kein Indikator für die Quelle der Aktivität.
Hinweis 2: Zusätzliche Schritte wie die mathematische Rekonstruktion der Quelle müssen durchgeführt werden, um die Quelle der Aktivität an einem einzelnen Kanal zu bestimmen.
3. Was sind neuronale Oszillationen?
Gehirnwellen, oft auch als neuronale Oszillationen bezeichnet, sind rhythmische Muster, die von einem einzelnen Neuron oder einer Gruppe von Neuronen erzeugt werden.
Es ist noch nicht klar, warum das Gehirn diese verschiedenen Arten von Oszillationen erzeugt, obwohl es viele Theorien gibt. Forscher nutzen verschiedene Aufgaben, um diese oszillatorischen Aktivitäten zu charakterisieren, und versuchen, die Geheimnisse des Gehirns anhand dieser rhythmischen Muster zu verstehen.
3.1. Einige Eigenschaften einer Oszillation
Diese Abbildung zeigt eine Messung eines regulären elektrischen Signals:
Abb. 6 – Räumliche vs. zeitliche Auflösung verschiedener Werkzeuge der Bildgebung des Gehirns.
Auf der linken Seite (y-Achse) können wir die Amplitude der elektrischen Aufzeichnung und auf der horizontalen Achse (x-Achse) die Zeit darstellen. Die Amplitude des Signals variiert in seiner Größe in einer regelmäßigen Weise um einen Mittelpunkt. Ein Zyklus wird auch als Oszillation bezeichnet.
Die Anzahl der Zyklen pro Sekunde wird als Frequenz der Welle bezeichnet und die Einheit ist Hertz (Hz). Also entspricht 1 Zyklus pro Sekunde = 1 Hz. Die Amplituden werden typischerweise in Mikrovolt (µV) gemessen.
Im Gehirn sehen wir Wellen mit Frequenzen im Bereich von 0,2 Hz (sehr langsame Wellen) bis 80 Hz oder mehr (sehr schnelle Wellen). Hochfrequente Aktivitäten bis zu 500 Hz, die mit Krampfanfällen einhergehen, können ebenfalls im Gehirn aufgezeichnet werden.
Verschiedene Arten von Gehirnoszillationen werden anhand ihrer Frequenz charakterisiert. Diese werden als Frequenzbänder bezeichnet und können mit verschiedenen Gehirnzuständen in Verbindung gebracht werden:
Abb. 7 – Gehirnwellen in einem typischen EEG.
3.2. Warum sind verschiedene Frequenzbänder wichtig?
Identifizierung normaler vs. abnormaler Gehirnmuster
Neuronale Oszillationen sind wichtig für die Erkennung von Anfällen und die Diagnose von Epilepsie in der Neurologie.Brain-Computer-Interfaces (BCI)
Die Stärke der Beta-, Gamma- und Mu-Oszillationen wird oft verwendet, um externe Geräte zu steuern (z. B. einen Rollstuhl mit Gedanken zu bewegen).Neurofeedback
Dies ist eine Form des Gehirntrainings, bei der Sie Ihre Gehirnwellen (z. B. Gamma-Oszillationen) visualisieren und kognitive Aufgaben ausführen können, um die Menge an Gamma-Oszillationen in Ihrem Gehirn zu erhöhen.Neuromarketing
Alpha- und Beta-Frequenzbänder können verwendet werden, um zu bestimmen, welcher Teil einer Werbung mehr oder weniger fesselnd ist.
3.3. Arten der EEG-Datenanalyse
Am häufigsten führen Forscher Analysen entweder im Zeitbereich oder im Frequenzbereich durch.
Analyse im Zeitbereich
Misst typischerweise die Spannungsamplitude zu interessierenden Zeitpunkten nach dem Einsetzen eines Reizes. Diese werden als ereigniskorrelierte Potentiale (EKP) bezeichnet.
Analyse im Frequenzbereich
Misst typischerweise die Menge der neuronalen Oszillationen in verschiedenen Frequenzbändern in einem definierten Zeitfenster oder im Zusammenhang mit dem Auftreten eines Ereignisses.
Als Nächstes geben wir einen Überblick über die Analyse im Frequenzbereich.
3.4. Verarbeitung
Nachdem Sie eine EEG-Aufzeichnung gemacht haben, bereinigen Sie in der Regel die Daten, bevor Sie die Oszillationen interpretieren.
Filterung
Eine Technik zur Entfernung von hoch- und niederfrequentem Umgebungsrauschen in den Daten.Artefaktentfernung
Körperliche Bewegung oder Blinzeln können große Artefakte verursachen (Spitzenwerte von > 50 µV im EEG). Diese können entfernt werden, damit sie unsere Ergebnisse nicht beeinflussen. Einige Forscher nutzen anspruchsvolle Methoden zur Korrektur dieser Artefakte, um Daten zu erhalten.
Nachdem die Daten verarbeitet wurden, kann das Signal nun in den Frequenzbereich umgewandelt werden, sodass wir die Menge jeder Gehirnwellenart quantifizieren können.
Abb. 8 – Blinzelartefakt im rohen EEG.
3.5. Schnelle Fourier-Transformation (FFT)
Eine Fourier-Transformation ist die mathematische Umwandlung des EEG-Signals vom „Zeitbereich“ (Bild A) in den „Frequenzbereich“ (Bild B).
Im Frequenzbereich können wir quantifizieren, wie viel von jeder Oszillationsart in unserer Aufzeichnung vorhanden war. Dies ist in der Regel die „Leistung“ des Frequenzbands und kann als Leistungsspektrum dargestellt werden (Bild B).
Abb. 9A – Roh-EEG im Zeitbereich.
Abb. 9B – Leistungsspektrum nach FFT (Frequenzbereich).
3.6. Bandleistung
Die Leistung eines Frequenzbandes (z. B. Alpha-Band), das aus einer Fourier-Transformation gewonnen wurde, zeigt uns, wie viel von jedem Frequenzband vorhanden ist. Die Einheiten der Bandleistung sind typischerweise in µV2/Hz angegeben. Meistens werden Amplituden- oder Leistungsspektren einer FFT in der logarithmischen Einheit Dezibel (dB) dargestellt. Das Dezibel ist eine Einheit für das Verhältnis zwischen einer gemessenen Leistung (P) und einer Referenzleistung (Pr) wie folgt:
Sobald dieses Maß für die interessierenden Ereignisse ermittelt wurde, können die Bandleistungen verglichen werden, um experimentelle Effekte auf Gehirnwellen zu verstehen.
4. Von der Theorie zur Praxis
Als Nächstes werden wir uns den Alpha-Blockade-Effekt ansehen.
Dies ist ein Phänomen, über das Hans Berger zuerst berichtete und bei dem wir eine signifikante Abnahme der Alpha-Oszillationen (Alpha-Leistung) sehen, wenn die Augen einer Person geöffnet sind, im Vergleich dazu, wenn sie geschlossen sind.
Abb. 10 – Ein Anstieg der Alpha-Oszillationen ist zu sehen, wenn die Augen geöffnet sind.
Zuerst haben wir mit dem EmotivPRO Builder ein einfaches Experiment aufgebaut. In diesem Experiment wird ein Teilnehmer einfach gebeten, seine Augen 2 Minuten lang offen zu halten, während er sich auf den Bildschirm konzentriert, und sie dann für 2 Minuten zu schließen. Er würde am Ende der 2 Minuten eine Glocke hören, die signalisiert, die Augen zu öffnen.
Sie können dem Video unten folgen, um Ihr eigenes Alpha-Blockade-Experiment zu erstellen, oder Sie können unser Experiment über den Link hier ausführen:
4.1. Anlegen des Geräts und EEG-Qualität
Erfahren Sie hier mehr darüber, wie unser EQ-Gate funktioniert. Weitere Informationen zum Anlegen speziell für Ihr Headset finden Sie hier:
EPOC-Typ
Insight-Typ
4.2. Verarbeitung und Transformation der EEG-Daten
Da Sie nun Ihre Daten haben, können Sie diese mit dem Emotiv Analyzer in den Frequenzbereich transformieren. Folgen Sie den Schritten im Video.
4.3. Interpretation der Daten
Sobald der Analyzer fertig ist, laden Sie die Zip-Datei herunter. Für jeden Datensatz erhalten Sie eine CSV-Datei mit Bandleistungen und eine Bilddatei, mit der Sie Ihre eigene statistische Analyse durchführen können.
Abb. 11 – Bandleistungen.
In unserer Ausgabe sehen wir den Anstieg der Alpha-Leistung bei geschlossenen Augen (orange) im Vergleich zu geöffneten Augen (blau).
Damit ist unser Tutorial beendet! Sie sind nun mit den Grundlagen vertraut 🙂
Einige Links zu weiterführender Literatur finden Sie im Abschnitt „Ressourcen“.
5. Ressourcen
WEITERFÜHRENDE LITERATUR
Donoghue et al. 2022 Methodological considerations for studying neural oscillations
GLOSSAR DER EEG-TERMINOLOGIE
Kane et al. 2017 (hier)
OPEN-SOURCE-CODE
Wenn Sie sich mit der Python-Codierung auskennen, haben wir Python-Skripte zur Verfügung gestellt, mit denen Sie Alpha-Leistungswerte abrufen können, die nach Segmenten mit offenen und geschlossenen Augen gekennzeichnet sind. Den Code und Beispiel-Datensätze zur Alpha-Blockade finden Sie hier: https://osf.io/9bvgh/
Emotiv-HANDBÜCHER
EmotivPRO Builder-Handbuch
EmotivPRO-Handbuch
EmotivPRO Analyzer-Handbuch
7. Referenzen
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), S. 3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, S. 170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. Einführung
Herzlich willkommen! In diesem Tutorial lernen wir etwas über Gehirnwellen und wie wir diese nutzen können, um das Gehirn und das Verhalten zu verstehen.
Hans Berger prägte 1929 den Begriff Elektroenzephalogramm, als er Veränderungen der elektrischen Potenziale beschrieb, die mithilfe von Sensoren auf dem Kopf einer Person aufgezeichnet wurden. Er identifizierte zwei Arten von Gehirnwellen, die er einfach aufgrund der Reihenfolge, in der er sie aufgezeichnet hatte, als Alpha- und Beta-Wellen bezeichnete. Solche Wellen waren bereits bei anderen Säugetieren aufgezeichnet worden, aber Berger hatte sie zum ersten Mal beim Menschen beschrieben!
Seitdem ist die Elektroenzephalographie-Methode zu einem Schlüsselwerkzeug in den Neurowissenschaften geworden. Sie hat dazu beigetragen, unser Verständnis von Gehirnwellen (die von Forschern als neuronale Oszillationen bezeichnet werden) weiterzuentwickeln und Zustände im Gehirn wie Müdigkeit und Wachheit zu charakterisieren.
In diesem kurzen Tutorial werden wir folgendes behandeln:
Was sind neuronale Oszillationen?
Wie können wir neuronale Oszillationen messen?
Was können wir mit neuronalen Oszillationen machen?
Praktische Anwendung mit Geräten und Software von Emotiv.
2. Was ist EEG?
Die Elektroenzephalographie (EEG) ist eine nicht-invasive und passive Methode zur Messung der elektrischen Aktivität unseres Gehirns. Elektroden/Sensoren/Kanäle werden auf der Kopfhaut platziert, um die elektrische Aktivität aufzuzeichnen, die von Gruppen von Gehirnzellen, den sogenannten Neuronen, erzeugt wird.
Abb. 1 – Neuronen erzeugen elektrische Aktivität, die mit einem EEG-Gerät nachgewiesen werden kann [Siuly, et al. (2016)].
2.1. EEG-Systeme
Es gibt viele EEG-Geräte auf dem Markt, mit denen ein EEG aufgezeichnet werden kann. EEG-Geräte können Folgendes aufweisen:
Einen einzelnen Sensor oder bis zu 256 Elektroden – Mehr Elektroden würden eine höhere räumliche Auflösung der Informationen über die Kopfhaut liefern.
Nasse oder trockene Elektroden – Nasse Elektroden verwenden ein Elektrolytgel oder eine Kochsalzlösung, um die Leitfähigkeit zwischen der Kopfhaut und dem Sensor zu verbessern. Trockene Elektroden können Metall oder leitfähige Polymere sein, die direkten Kontakt mit der Kopfhaut benötigen.
Aktive oder passive Elektrode – Passive Elektrodensysteme leiten das Signal einfach an das Gerät weiter, wo es verstärkt wird. Aktive Elektrodensysteme verstärken das Signal an jeder Elektrode, bevor es das Gerät zur Verstärkung erreicht. Dies reduziert das elektrische Umgebungsrauschen im Signal.
Kabelgebundene oder kabellose Geräte, die Daten über Bluetooth übertragen.
Abb. 2 – Ein kabelloses EEG-System mit geringer Dichte.
Abb. 3 – Ein kabelgebundenes EEG-System mit hoher Elektrodendichte.
2.2. Wann sollte das EEG eingesetzt werden?
Jede Neuroimaging-Methode kann helfen, unterschiedliche Forschungsfragen zu beantworten.
Die größte Stärke des EEG liegt darin, dass es neuronale Aktivitäten im Millisekundenbereich messen kann, was die Messung vorbewusster Prozesse ermöglicht.
Abb. 4 – Räumliche vs. zeitliche Auflösung verschiedener Werkzeuge der Bildgebung des Gehirns.
Es eignet sich am besten für Fragen wie „Welche Teile meines Videos haben die Teilnehmer am meisten beachtet?“
Das EEG zeichnet Aktivitäten hauptsächlich aus den äußeren Schichten des Gehirns auf (d. h. es hat eine geringe räumliche Auflösung). Mit einem einzigen Sensor ist es unmöglich, die Quelle der Aktivität zu identifizieren. Die Aufzeichnung mit einer großen Anzahl von Kanälen kann es ermöglichen, die Quelle mathematisch zu rekonstruieren, ist aber bei der Identifizierung tiefer Quellen immer noch begrenzt. Die funktionelle Magnetresonanztomographie (fMRT) ist besser geeignet, um Fragen wie „Welcher Teil des Gehirns steht im Zusammenhang mit Veränderungen der Aufmerksamkeit?“ zu beantworten.
2.3. Vom Sensor zum Roh-EEG?
Sobald ein EEG-Gerät am Kopf angebracht ist, wird die Gehirnaktivität an einem einzelnen Sensor als Amplitudendifferenz zwischen diesem Sensor und einem Referenzsensor gemessen. Bei den meisten EEG-Systemen wird dies als Common Mode Sense (CMS)-Elektrode bezeichnet. Ein zusätzlicher Sensor, das Driven Right Leg (DRL), hilft, Störungen am CMS zu reduzieren.
Abb. 5 – Vereinfachtes Blockdiagramm der EEG-Signalübertragung.
In Systemen mit aktiven und passiven Elektroden wird das Signal anschließend verstärkt und tiefpassgefiltert. Die Tiefpassfilterung ist ein Schritt, der mögliche elektrische Störungen aus der Umgebung in Ihrem Signal, z. B. Netzleitungen, entfernt.
Diese Schritte finden in der Hardware selbst statt, bevor das rohe EEG-Signal auf Ihrem Computerbildschirm angezeigt werden kann.
2.4. Einige grundlegende Fachbegriffe
10-20 Standard-Namenskonvention
Linke Sensoren sind in der Regel ungerade nummeriert und rechte Sensoren in der Regel gerade nummeriert.
Hinweis 1: Dies sind nur Namenskonventionen und die Quelle der Position des EEG-Sensors ist kein Indikator für die Quelle der Aktivität.
Hinweis 2: Zusätzliche Schritte wie die mathematische Rekonstruktion der Quelle müssen durchgeführt werden, um die Quelle der Aktivität an einem einzelnen Kanal zu bestimmen.
3. Was sind neuronale Oszillationen?
Gehirnwellen, oft auch als neuronale Oszillationen bezeichnet, sind rhythmische Muster, die von einem einzelnen Neuron oder einer Gruppe von Neuronen erzeugt werden.
Es ist noch nicht klar, warum das Gehirn diese verschiedenen Arten von Oszillationen erzeugt, obwohl es viele Theorien gibt. Forscher nutzen verschiedene Aufgaben, um diese oszillatorischen Aktivitäten zu charakterisieren, und versuchen, die Geheimnisse des Gehirns anhand dieser rhythmischen Muster zu verstehen.
3.1. Einige Eigenschaften einer Oszillation
Diese Abbildung zeigt eine Messung eines regulären elektrischen Signals:
Abb. 6 – Räumliche vs. zeitliche Auflösung verschiedener Werkzeuge der Bildgebung des Gehirns.
Auf der linken Seite (y-Achse) können wir die Amplitude der elektrischen Aufzeichnung und auf der horizontalen Achse (x-Achse) die Zeit darstellen. Die Amplitude des Signals variiert in seiner Größe in einer regelmäßigen Weise um einen Mittelpunkt. Ein Zyklus wird auch als Oszillation bezeichnet.
Die Anzahl der Zyklen pro Sekunde wird als Frequenz der Welle bezeichnet und die Einheit ist Hertz (Hz). Also entspricht 1 Zyklus pro Sekunde = 1 Hz. Die Amplituden werden typischerweise in Mikrovolt (µV) gemessen.
Im Gehirn sehen wir Wellen mit Frequenzen im Bereich von 0,2 Hz (sehr langsame Wellen) bis 80 Hz oder mehr (sehr schnelle Wellen). Hochfrequente Aktivitäten bis zu 500 Hz, die mit Krampfanfällen einhergehen, können ebenfalls im Gehirn aufgezeichnet werden.
Verschiedene Arten von Gehirnoszillationen werden anhand ihrer Frequenz charakterisiert. Diese werden als Frequenzbänder bezeichnet und können mit verschiedenen Gehirnzuständen in Verbindung gebracht werden:
Abb. 7 – Gehirnwellen in einem typischen EEG.
3.2. Warum sind verschiedene Frequenzbänder wichtig?
Identifizierung normaler vs. abnormaler Gehirnmuster
Neuronale Oszillationen sind wichtig für die Erkennung von Anfällen und die Diagnose von Epilepsie in der Neurologie.Brain-Computer-Interfaces (BCI)
Die Stärke der Beta-, Gamma- und Mu-Oszillationen wird oft verwendet, um externe Geräte zu steuern (z. B. einen Rollstuhl mit Gedanken zu bewegen).Neurofeedback
Dies ist eine Form des Gehirntrainings, bei der Sie Ihre Gehirnwellen (z. B. Gamma-Oszillationen) visualisieren und kognitive Aufgaben ausführen können, um die Menge an Gamma-Oszillationen in Ihrem Gehirn zu erhöhen.Neuromarketing
Alpha- und Beta-Frequenzbänder können verwendet werden, um zu bestimmen, welcher Teil einer Werbung mehr oder weniger fesselnd ist.
3.3. Arten der EEG-Datenanalyse
Am häufigsten führen Forscher Analysen entweder im Zeitbereich oder im Frequenzbereich durch.
Analyse im Zeitbereich
Misst typischerweise die Spannungsamplitude zu interessierenden Zeitpunkten nach dem Einsetzen eines Reizes. Diese werden als ereigniskorrelierte Potentiale (EKP) bezeichnet.
Analyse im Frequenzbereich
Misst typischerweise die Menge der neuronalen Oszillationen in verschiedenen Frequenzbändern in einem definierten Zeitfenster oder im Zusammenhang mit dem Auftreten eines Ereignisses.
Als Nächstes geben wir einen Überblick über die Analyse im Frequenzbereich.
3.4. Verarbeitung
Nachdem Sie eine EEG-Aufzeichnung gemacht haben, bereinigen Sie in der Regel die Daten, bevor Sie die Oszillationen interpretieren.
Filterung
Eine Technik zur Entfernung von hoch- und niederfrequentem Umgebungsrauschen in den Daten.Artefaktentfernung
Körperliche Bewegung oder Blinzeln können große Artefakte verursachen (Spitzenwerte von > 50 µV im EEG). Diese können entfernt werden, damit sie unsere Ergebnisse nicht beeinflussen. Einige Forscher nutzen anspruchsvolle Methoden zur Korrektur dieser Artefakte, um Daten zu erhalten.
Nachdem die Daten verarbeitet wurden, kann das Signal nun in den Frequenzbereich umgewandelt werden, sodass wir die Menge jeder Gehirnwellenart quantifizieren können.
Abb. 8 – Blinzelartefakt im rohen EEG.
3.5. Schnelle Fourier-Transformation (FFT)
Eine Fourier-Transformation ist die mathematische Umwandlung des EEG-Signals vom „Zeitbereich“ (Bild A) in den „Frequenzbereich“ (Bild B).
Im Frequenzbereich können wir quantifizieren, wie viel von jeder Oszillationsart in unserer Aufzeichnung vorhanden war. Dies ist in der Regel die „Leistung“ des Frequenzbands und kann als Leistungsspektrum dargestellt werden (Bild B).
Abb. 9A – Roh-EEG im Zeitbereich.
Abb. 9B – Leistungsspektrum nach FFT (Frequenzbereich).
3.6. Bandleistung
Die Leistung eines Frequenzbandes (z. B. Alpha-Band), das aus einer Fourier-Transformation gewonnen wurde, zeigt uns, wie viel von jedem Frequenzband vorhanden ist. Die Einheiten der Bandleistung sind typischerweise in µV2/Hz angegeben. Meistens werden Amplituden- oder Leistungsspektren einer FFT in der logarithmischen Einheit Dezibel (dB) dargestellt. Das Dezibel ist eine Einheit für das Verhältnis zwischen einer gemessenen Leistung (P) und einer Referenzleistung (Pr) wie folgt:
Sobald dieses Maß für die interessierenden Ereignisse ermittelt wurde, können die Bandleistungen verglichen werden, um experimentelle Effekte auf Gehirnwellen zu verstehen.
4. Von der Theorie zur Praxis
Als Nächstes werden wir uns den Alpha-Blockade-Effekt ansehen.
Dies ist ein Phänomen, über das Hans Berger zuerst berichtete und bei dem wir eine signifikante Abnahme der Alpha-Oszillationen (Alpha-Leistung) sehen, wenn die Augen einer Person geöffnet sind, im Vergleich dazu, wenn sie geschlossen sind.
Abb. 10 – Ein Anstieg der Alpha-Oszillationen ist zu sehen, wenn die Augen geöffnet sind.
Zuerst haben wir mit dem EmotivPRO Builder ein einfaches Experiment aufgebaut. In diesem Experiment wird ein Teilnehmer einfach gebeten, seine Augen 2 Minuten lang offen zu halten, während er sich auf den Bildschirm konzentriert, und sie dann für 2 Minuten zu schließen. Er würde am Ende der 2 Minuten eine Glocke hören, die signalisiert, die Augen zu öffnen.
Sie können dem Video unten folgen, um Ihr eigenes Alpha-Blockade-Experiment zu erstellen, oder Sie können unser Experiment über den Link hier ausführen:
4.1. Anlegen des Geräts und EEG-Qualität
Erfahren Sie hier mehr darüber, wie unser EQ-Gate funktioniert. Weitere Informationen zum Anlegen speziell für Ihr Headset finden Sie hier:
EPOC-Typ
Insight-Typ
4.2. Verarbeitung und Transformation der EEG-Daten
Da Sie nun Ihre Daten haben, können Sie diese mit dem Emotiv Analyzer in den Frequenzbereich transformieren. Folgen Sie den Schritten im Video.
4.3. Interpretation der Daten
Sobald der Analyzer fertig ist, laden Sie die Zip-Datei herunter. Für jeden Datensatz erhalten Sie eine CSV-Datei mit Bandleistungen und eine Bilddatei, mit der Sie Ihre eigene statistische Analyse durchführen können.
Abb. 11 – Bandleistungen.
In unserer Ausgabe sehen wir den Anstieg der Alpha-Leistung bei geschlossenen Augen (orange) im Vergleich zu geöffneten Augen (blau).
Damit ist unser Tutorial beendet! Sie sind nun mit den Grundlagen vertraut 🙂
Einige Links zu weiterführender Literatur finden Sie im Abschnitt „Ressourcen“.
5. Ressourcen
WEITERFÜHRENDE LITERATUR
Donoghue et al. 2022 Methodological considerations for studying neural oscillations
GLOSSAR DER EEG-TERMINOLOGIE
Kane et al. 2017 (hier)
OPEN-SOURCE-CODE
Wenn Sie sich mit der Python-Codierung auskennen, haben wir Python-Skripte zur Verfügung gestellt, mit denen Sie Alpha-Leistungswerte abrufen können, die nach Segmenten mit offenen und geschlossenen Augen gekennzeichnet sind. Den Code und Beispiel-Datensätze zur Alpha-Blockade finden Sie hier: https://osf.io/9bvgh/
Emotiv-HANDBÜCHER
EmotivPRO Builder-Handbuch
EmotivPRO-Handbuch
EmotivPRO Analyzer-Handbuch
7. Referenzen
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), S. 3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, S. 170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
Weiterlesen