Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Grundlagen der neuronalen Oszillationen
Roshini Randeniya
01.10.2025
Teilen:
1. Einführung
Willkommen! In diesem Tutorial lernen wir über Gehirnwellen und wie wir sie nutzen können, um das Gehirn und das Verhalten zu verstehen.
Hans Berger prägte den Begriff Elektroenzephalogramm im Jahr 1929, als er Veränderungen der elektrischen Potenziale beschrieb, die mit Sensoren aufgezeichnet wurden, die auf dem Kopf einer Person platziert wurden. Er identifizierte zwei Arten von Gehirnwellen, die er einfach als Alpha- und Beta-Wellen bezeichnete, nur wegen der Reihenfolge, in der er sie aufzeichnete. Solche Wellen waren auch bei anderen Säugetieren aufgezeichnet worden, aber Berger hatte sie erstmals beim Menschen beschrieben!
Seitdem ist die Elektroenzephalographie-Methode ein wichtiges Werkzeug in der Neurowissenschaft geworden und hat unser Verständnis von Gehirnwellen (die von Forschern neuronale Oszillationen genannt werden) weiterentwickelt und geholfen, Zustände im Gehirn wie Müdigkeit und Wachsamkeit 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 tun?
Praktische Anwendung mit Emotiv-Geräten und Software.
2. Was ist EEG?
Die Elektroenzephalografie (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 Populationen von Gehirnzellen, den sogenannten Neuronen, erzeugt wird.
Abb. 1 – Neuronen erzeugen elektrische Aktivität, die mit einem EEG-Gerät detektiert werden kann [Siuly, et al. (2016)].
2.1. EEG-Systeme
Es gibt viele EEG-Geräte auf dem Markt, die zur Aufzeichnung eines EEG verwendet werden können. EEG-Geräte können Folgendes bieten:
Einzelne Sensoren oder bis zu 256 Elektroden – Mehr Elektroden würden eine höhere räumliche Auflösung der Informationen über die Kopfhaut ergeben.
Nasse oder trockene Elektroden – Nasse Elektroden verwenden ein elektrolytisches Gel oder eine salzige Lösung zur Verbesserung der Leitfähigkeit zwischen der Kopfhaut und dem Sensor. Trockene Elektroden können aus Metall oder leitfähigen Polymeren bestehen, die direkten Kontakt mit der Kopfhaut benötigen.
Aktive oder passive Elektroden – Passive Elektroden-Systeme leiten das Signal einfach zum Gerät, wo es verstärkt wird. Aktive Elektroden-Systeme verstärken das Signal an jeder Elektrode, bevor es das Gerät zur Verstärkung erreicht. Dies reduziert das Umgebungsgeräusch im Signal.
Kabelführende oder drahtlose Geräte, die Daten via Bluetooth übertragen.
Abb. 2 – Ein drahtloses, niederfrequentes EEG-System.
Abb. 3 – Ein kabelgebundenes, hochfrequentes Elektroden-EEG-System.
2.2. Wann sollte man EEG verwenden?
Jede neuroimaging-Methode kann helfen, verschiedene Forschungsfragen zu beantworten.
Die größte Stärke des EEG ist, dass es neuronale Aktivität im Millisekundenbereich messen kann, die vorbewusste Prozesse erfassen kann.
Abb. 4 – Räumliche vs. zeitliche Auflösung verschiedener Neuroimaging-Tools.
Es eignet sich am besten für Fragen wie „Auf welche Teile meines Videos haben die Teilnehmer am meisten geachtet?“
EEG zeichnet Aktivitäten hauptsächlich aus den äußeren Schichten des Gehirns auf (d.h. hat eine niedrige räumliche Auflösung). Mit einem einzelnen Sensor ist es unmöglich, die Quelle der Aktivität zu identifizieren. Die Aufzeichnung mit einer großen Anzahl von Kanälen kann mathematisch ermöglichen, die Quelle zu rekonstruieren, ist jedoch immer noch beschränkt bei der Identifizierung tiefer Quellen. Die funktionelle Magnetresonanztomographie (fMRI) ist besser geeignet, um Fragen wie „Welcher Teil des Gehirns ist mit Veränderungen in der Aufmerksamkeit verbunden?“ zu beantworten.
2.3. Sensor zu rohem EEG?
Nachdem ein EEG-Gerät auf dem Kopf befestigt wurde, wird die Gehirnaktivität an einem einzelnen Sensor als Differenz der Amplitude zwischen diesem Sensor und einem Referenzsensor gemessen. In den meisten EEG-Systemen wird dies als gemeinsame Modus-Sense (CMS) Elektrode bezeichnet. Ein zusätzlicher Sensor, das getriebenen rechtes Bein (DRL), hilft, mögliche Störungen am CMS zu reduzieren.
Abb. 5 – Vereinfachtes Blockdiagramm der EEG-Signalübertragung.
In Systemen mit sowohl aktiven als auch passiven Elektroden wird das Signal dann verstärkt und niederfrequent gefiltert. Das Niedrigpassfilter ist ein Schritt, der mögliche elektrische Störungen aus der Umgebung in Ihrem Signal entfernt, z.B. Stromleitungen.
Diese Schritte geschehen in der Hardware selbst, bevor das rohe EEG-Signal auf Ihrem Computerbildschirm angezeigt werden kann.
2.4. Einige grundlegende Begriffe
10-20 Standardbenennungskonvention
Linke Sensoren sind normalerweise ungerade nummeriert und rechte Sensoren meist gerade nummeriert.
Hinweis 1: Dies sind nur Benennungskonventionen und die Quelle des EEG-Sensorkonträts ist kein Hinweis auf die Quelle der Aktivität.
Hinweis 2: Zusätzliche Schritte wie die mathematische Rekonstruktion der Quelle müssen unternommen werden, um die Quelle der Aktivität an einem einzelnen Kanal zu bestimmen.
3. Was sind neuronale Oszillationen?
Gehirnwellen, häufig als neuronale Oszillationen bezeichnet, sind rhythmische Muster, die von einem einzelnen oder Cluster von Neuronen erzeugt werden.
Es ist noch unklar, warum das Gehirn diese verschiedenen Arten von Oszillationen erzeugt, obwohl es viele Theorien gibt. Forscher verwenden verschiedene Aufgaben, um diese oszillatorischen Aktivitäten zu charakterisieren und zielen darauf ab, die Geheimnisse des Gehirns mit diesen rhythmischen Mustern zu verstehen.
3.1. Einige Eigenschaften einer Oszillation
Diese Abbildung zeigt eine Messung eines regulären elektrischen Signals:
Abb. 6 – Räumliche vs. zeitliche Auflösung verschiedener Neuromapping-Tools.
Auf der linken Seite (y-Achse) können wir die Amplitude der elektrischen Aufzeichnung darstellen und auf der horizontalen Achse (x-Achse) die Zeit. Die Amplitude des Signals variiert in einer regelmäßigen Weise um einen zentralen Punkt. 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 1 Zyklus pro Sekunde = 1 Hz. Amplituden werden typischerweise in Mikrovolt (µV) gemessen.
Im Gehirn sehen wir Wellen mit Frequenzen, die von 0,2 Hz (sehr langsame Wellen) bis zu 80 Hz oder mehr (sehr schnelle Wellen) reichen. Hochfrequente Aktivitäten bis zu 500 Hz, die mit Anfällen assoziiert sind, können ebenfalls im Gehirn aufgezeichnet werden.
Unterschiedliche Arten von Gehirnoszillationen werden basierend auf ihrer Frequenz charakterisiert. Diese sind als Frequenzbänder bekannt und können mit verschiedenen Gehirnzuständen in Verbindung gebracht werden:
Abb. 7 – Gehirnwellen im typischen EEG.
3.2. Warum sind verschiedene Frequenzbänder wichtig?
Identifikation von normalen vs abnormalen Gehirnmustern
Neuronale Oszillationen sind wichtig zur Erkennung von Anfällen und zur Diagnose von Epilepsie in der Neurologie.Gehirn-Computer-Schnittstellen (BCI)
Die Menge an Beta-, Gamma- und Mu-Oszillationen wird oft verwendet, um fernsteuerbare Geräte zu trainieren (z.B. einen Rollstuhl mit Gedanken zu bewegen).Neurofeedback
Dies ist eine Form des Gehirntrainings, bei dem Sie Ihre Gehirnwellen (z.B. Gamma-Oszillationen) ansehen können und an kognitiven Aufgaben teilnehmen, um die Menge an Gamma-Oszillationen in Ihrem Gehirn zu verbessern.Neuromarketing
Alpha- und Beta-Frequenzbänder können verwendet werden, um zu bestimmen, welcher Teil einer Werbung ansprechender oder weniger ansprechend ist.
3.3. Arten der EEG-Datenanalyse
In der Regel führen Forscher Analysen entweder im Zeitbereich oder im Frequenzbereich durch.
Analyse im Zeitbereich
Typischerweise wird die Spannungsamplitude zu bestimmten Zeitpunkten nach dem Auftreten eines Stimulus gemessen. Diese werden als ereignisbezogene Potentiale (ERPs) bezeichnet.
Analyse im Frequenzbereich
Typischerweise wird die Menge der neuronalen Oszillationen in verschiedenen Frequenzbändern in einem definierten Zeitfenster oder in Bezug auf den Beginn eines Ereignisses gemessen.
Als Nächstes geben wir einen Überblick über die Frequenzbereichsanalyse.
3.4. Verarbeitung
Sobald Sie eine EEG-Aufzeichnung gemacht haben, reinigen Sie typischerweise die Daten, bevor Sie die Oszillationen verstehen.
Filtern
Eine Technik, um hoch- und niederfrequentes Umgebungsrauschen in den Daten zu entfernen.Artefakte entfernen
Körperbewegungen, Augenblinzeln können große Artefakte (> 50 µV-Spitzen im EEG) verursachen. Diese können entfernt werden, damit sie unsere Ergebnisse nicht beeinflussen. Einige Forscher verwenden ausgefeilte Methoden, um diese Artefakte zu korrigieren, um Daten zu erhalten.
Nachdem die Daten verarbeitet wurden, kann das Signal jetzt in den Frequenzbereich konvertiert werden, um die Menge jedes Typs von Gehirnwellen zu quantifizieren.
Abb. 8 – Augenblinzeln-Artefakt 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 Art von Oszillation in unserer Aufzeichnung war. Dies ist typischerweise die „Leistung“ des Frequenzbandes und kann als Leistungsspektrum dargestellt werden (Bild B).
Abb. 9A – Rohes EEG im Zeitbereich.
Abb. 9B – Leistungsspektrum nach FFT (Frequenzbereich).
3.6. Bandleistung
Die Leistung eines Frequenzbandes (z.B. Alpha-Band) wird aus einer Fourier-Transformation gewonnen und sagt uns, wie viel von jedem Frequenzband vorhanden ist. Die Einheit der Bandleistung ist typischerweise in µV2/Hz. Am häufigsten werden Amplituden oder Leistungsspektren aus einer FFT in logarithmischen Einheiten von Dezibel (dB) angezeigt. Das Dezibel ist eine Einheit des Verhältnisses zwischen einer gemessenen Leistung (P) und einer Referenzleistung (Pr) wie folgt:
Sobald diese Maßeinheit für Ereignisse von Interesse erhalten wurde, kann die Bandleistung zum Verständnis experimenteller Effekte auf die Gehirnwellen verglichen werden.
4. Von der Theorie zur Praxis
Als Nächstes werden wir den Alpha-Suppression-Effekt betrachten.
Dies ist ein Phänomen, das erstmals von Hans Berger berichtet wurde, bei dem wir einen signifikanten Rückgang der Menge an Alpha-Oszillationen (Alpha-Leistung) beobachten, wenn die Augen einer Person geöffnet sind, verglichen mit dem, wenn sie geschlossen sind.
Abb. 10 – Ein Anstieg von Alpha-Oszillationen kann gesehen werden, wenn die Augen geöffnet sind.
Zunächst haben wir mit EmotivPRO Builder ein einfaches Experiment aufgebaut. In diesem Experiment wird eine Person einfach gefragt, für 2 Minuten die Augen geöffnet zu halten, während sie sich auf den Bildschirm konzentriert, und dann für 2 Minuten zu schließen. Am Ende von 2 Minuten hören sie eine Glocke, um zu signalisieren, dass sie die Augen öffnen sollen.
Sie können das Video unten folgen, um Ihr eigenes Alpha-Suppression-Experiment zu machen oder Sie können unser Experiment über den Link hier laufen:
4.1. Geräteanpassung und EEG-Qualität
Erfahren Sie mehr darüber, wie unser EQ-Gate funktioniert hier. Finden Sie mehr Informationen über die Gerätelanpassung, die spezifisch für Ihr Headset ist, hier:
EPOC-Typ
Insight-Typ
4.2. Verarbeitung und Transformation der EEG-Daten
Jetzt, da Sie Ihre Daten haben, können Sie sie mit 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 haben Sie eine CSV-Datei mit Bandleistungen und eine Bilddatei, die Sie zur Durchführung Ihrer eigenen statistischen Analyse verwenden können.
Abb. 11 – Bandleistungen.
In unserem Ergebnis sehen wir den Anstieg der Alpha-Leistung, als die Augen geschlossen waren (orange) im Vergleich zu als sie geöffnet waren (blau).
Das ist das Ende unseres Tutorials! Sie sind jetzt mit den Grundlagen ausgestattet 🙂
Sie können einige Links zu einer umfangreicheren Lektüre im Abschnitt Ressourcen finden.
5. Ressourcen
FORTGESCHRITTENE LITERATUR
Donoghue et al. 2022 Methodologische Überlegungen zum Studium neuronaler Oszillationen
WÖRTERBUCH DER EEG-TERMINOLOGIE
Kane et al. 2017 (hier)
OPEN SOURCE CODE
Wenn Sie mit Python-Codierung vertraut sind, haben wir Python-Skripte bereitgestellt, mit denen Sie Alpha-Leistungswerte erhalten können, die nach Augenoffen- und Augengeschlossen-Abschnitten gekennzeichnet sind. Finden Sie den Code und Beispiele für Alpha-Suppression-Datendateien hier: https://osf.io/9bvgh/
EMOTIV MANUALS
EmotivPRO Builder-Handbuch
EmotivPRO-Handbuch
EmotivPRO Analyzer-Handbuch
7. Referenzen
Donoghue, T., Schaworonkow, N. und Voytek, B., 2022. Methodologische Überlegungen zum Studium neuronaler Oszillationen. Europäische Zeitschrift für Neurowissenschaften, 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. und van Putten, M.J., 2017. Ein überarbeitetes Glossar der Begriffe, die von klinischen Elektroenzephalographen am häufigsten verwendet werden und ein aktualisierter Vorschlag für das Berichtsformat der EEG-Ergebnisse. Überarbeitung 2017. Klinische Neurophysiologie-Praxis, 2, S.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Elektroenzephalogramm (EEG) und sein Hintergrund. In: EEG-Signalverarbeitung und -klassifizierung. Gesundheitsinformatik. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. Einführung
Willkommen! In diesem Tutorial lernen wir über Gehirnwellen und wie wir sie nutzen können, um das Gehirn und das Verhalten zu verstehen.
Hans Berger prägte den Begriff Elektroenzephalogramm im Jahr 1929, als er Veränderungen der elektrischen Potenziale beschrieb, die mit Sensoren aufgezeichnet wurden, die auf dem Kopf einer Person platziert wurden. Er identifizierte zwei Arten von Gehirnwellen, die er einfach als Alpha- und Beta-Wellen bezeichnete, nur wegen der Reihenfolge, in der er sie aufzeichnete. Solche Wellen waren auch bei anderen Säugetieren aufgezeichnet worden, aber Berger hatte sie erstmals beim Menschen beschrieben!
Seitdem ist die Elektroenzephalographie-Methode ein wichtiges Werkzeug in der Neurowissenschaft geworden und hat unser Verständnis von Gehirnwellen (die von Forschern neuronale Oszillationen genannt werden) weiterentwickelt und geholfen, Zustände im Gehirn wie Müdigkeit und Wachsamkeit 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 tun?
Praktische Anwendung mit Emotiv-Geräten und Software.
2. Was ist EEG?
Die Elektroenzephalografie (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 Populationen von Gehirnzellen, den sogenannten Neuronen, erzeugt wird.
Abb. 1 – Neuronen erzeugen elektrische Aktivität, die mit einem EEG-Gerät detektiert werden kann [Siuly, et al. (2016)].
2.1. EEG-Systeme
Es gibt viele EEG-Geräte auf dem Markt, die zur Aufzeichnung eines EEG verwendet werden können. EEG-Geräte können Folgendes bieten:
Einzelne Sensoren oder bis zu 256 Elektroden – Mehr Elektroden würden eine höhere räumliche Auflösung der Informationen über die Kopfhaut ergeben.
Nasse oder trockene Elektroden – Nasse Elektroden verwenden ein elektrolytisches Gel oder eine salzige Lösung zur Verbesserung der Leitfähigkeit zwischen der Kopfhaut und dem Sensor. Trockene Elektroden können aus Metall oder leitfähigen Polymeren bestehen, die direkten Kontakt mit der Kopfhaut benötigen.
Aktive oder passive Elektroden – Passive Elektroden-Systeme leiten das Signal einfach zum Gerät, wo es verstärkt wird. Aktive Elektroden-Systeme verstärken das Signal an jeder Elektrode, bevor es das Gerät zur Verstärkung erreicht. Dies reduziert das Umgebungsgeräusch im Signal.
Kabelführende oder drahtlose Geräte, die Daten via Bluetooth übertragen.
Abb. 2 – Ein drahtloses, niederfrequentes EEG-System.
Abb. 3 – Ein kabelgebundenes, hochfrequentes Elektroden-EEG-System.
2.2. Wann sollte man EEG verwenden?
Jede neuroimaging-Methode kann helfen, verschiedene Forschungsfragen zu beantworten.
Die größte Stärke des EEG ist, dass es neuronale Aktivität im Millisekundenbereich messen kann, die vorbewusste Prozesse erfassen kann.
Abb. 4 – Räumliche vs. zeitliche Auflösung verschiedener Neuroimaging-Tools.
Es eignet sich am besten für Fragen wie „Auf welche Teile meines Videos haben die Teilnehmer am meisten geachtet?“
EEG zeichnet Aktivitäten hauptsächlich aus den äußeren Schichten des Gehirns auf (d.h. hat eine niedrige räumliche Auflösung). Mit einem einzelnen Sensor ist es unmöglich, die Quelle der Aktivität zu identifizieren. Die Aufzeichnung mit einer großen Anzahl von Kanälen kann mathematisch ermöglichen, die Quelle zu rekonstruieren, ist jedoch immer noch beschränkt bei der Identifizierung tiefer Quellen. Die funktionelle Magnetresonanztomographie (fMRI) ist besser geeignet, um Fragen wie „Welcher Teil des Gehirns ist mit Veränderungen in der Aufmerksamkeit verbunden?“ zu beantworten.
2.3. Sensor zu rohem EEG?
Nachdem ein EEG-Gerät auf dem Kopf befestigt wurde, wird die Gehirnaktivität an einem einzelnen Sensor als Differenz der Amplitude zwischen diesem Sensor und einem Referenzsensor gemessen. In den meisten EEG-Systemen wird dies als gemeinsame Modus-Sense (CMS) Elektrode bezeichnet. Ein zusätzlicher Sensor, das getriebenen rechtes Bein (DRL), hilft, mögliche Störungen am CMS zu reduzieren.
Abb. 5 – Vereinfachtes Blockdiagramm der EEG-Signalübertragung.
In Systemen mit sowohl aktiven als auch passiven Elektroden wird das Signal dann verstärkt und niederfrequent gefiltert. Das Niedrigpassfilter ist ein Schritt, der mögliche elektrische Störungen aus der Umgebung in Ihrem Signal entfernt, z.B. Stromleitungen.
Diese Schritte geschehen in der Hardware selbst, bevor das rohe EEG-Signal auf Ihrem Computerbildschirm angezeigt werden kann.
2.4. Einige grundlegende Begriffe
10-20 Standardbenennungskonvention
Linke Sensoren sind normalerweise ungerade nummeriert und rechte Sensoren meist gerade nummeriert.
Hinweis 1: Dies sind nur Benennungskonventionen und die Quelle des EEG-Sensorkonträts ist kein Hinweis auf die Quelle der Aktivität.
Hinweis 2: Zusätzliche Schritte wie die mathematische Rekonstruktion der Quelle müssen unternommen werden, um die Quelle der Aktivität an einem einzelnen Kanal zu bestimmen.
3. Was sind neuronale Oszillationen?
Gehirnwellen, häufig als neuronale Oszillationen bezeichnet, sind rhythmische Muster, die von einem einzelnen oder Cluster von Neuronen erzeugt werden.
Es ist noch unklar, warum das Gehirn diese verschiedenen Arten von Oszillationen erzeugt, obwohl es viele Theorien gibt. Forscher verwenden verschiedene Aufgaben, um diese oszillatorischen Aktivitäten zu charakterisieren und zielen darauf ab, die Geheimnisse des Gehirns mit diesen rhythmischen Mustern zu verstehen.
3.1. Einige Eigenschaften einer Oszillation
Diese Abbildung zeigt eine Messung eines regulären elektrischen Signals:
Abb. 6 – Räumliche vs. zeitliche Auflösung verschiedener Neuromapping-Tools.
Auf der linken Seite (y-Achse) können wir die Amplitude der elektrischen Aufzeichnung darstellen und auf der horizontalen Achse (x-Achse) die Zeit. Die Amplitude des Signals variiert in einer regelmäßigen Weise um einen zentralen Punkt. 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 1 Zyklus pro Sekunde = 1 Hz. Amplituden werden typischerweise in Mikrovolt (µV) gemessen.
Im Gehirn sehen wir Wellen mit Frequenzen, die von 0,2 Hz (sehr langsame Wellen) bis zu 80 Hz oder mehr (sehr schnelle Wellen) reichen. Hochfrequente Aktivitäten bis zu 500 Hz, die mit Anfällen assoziiert sind, können ebenfalls im Gehirn aufgezeichnet werden.
Unterschiedliche Arten von Gehirnoszillationen werden basierend auf ihrer Frequenz charakterisiert. Diese sind als Frequenzbänder bekannt und können mit verschiedenen Gehirnzuständen in Verbindung gebracht werden:
Abb. 7 – Gehirnwellen im typischen EEG.
3.2. Warum sind verschiedene Frequenzbänder wichtig?
Identifikation von normalen vs abnormalen Gehirnmustern
Neuronale Oszillationen sind wichtig zur Erkennung von Anfällen und zur Diagnose von Epilepsie in der Neurologie.Gehirn-Computer-Schnittstellen (BCI)
Die Menge an Beta-, Gamma- und Mu-Oszillationen wird oft verwendet, um fernsteuerbare Geräte zu trainieren (z.B. einen Rollstuhl mit Gedanken zu bewegen).Neurofeedback
Dies ist eine Form des Gehirntrainings, bei dem Sie Ihre Gehirnwellen (z.B. Gamma-Oszillationen) ansehen können und an kognitiven Aufgaben teilnehmen, um die Menge an Gamma-Oszillationen in Ihrem Gehirn zu verbessern.Neuromarketing
Alpha- und Beta-Frequenzbänder können verwendet werden, um zu bestimmen, welcher Teil einer Werbung ansprechender oder weniger ansprechend ist.
3.3. Arten der EEG-Datenanalyse
In der Regel führen Forscher Analysen entweder im Zeitbereich oder im Frequenzbereich durch.
Analyse im Zeitbereich
Typischerweise wird die Spannungsamplitude zu bestimmten Zeitpunkten nach dem Auftreten eines Stimulus gemessen. Diese werden als ereignisbezogene Potentiale (ERPs) bezeichnet.
Analyse im Frequenzbereich
Typischerweise wird die Menge der neuronalen Oszillationen in verschiedenen Frequenzbändern in einem definierten Zeitfenster oder in Bezug auf den Beginn eines Ereignisses gemessen.
Als Nächstes geben wir einen Überblick über die Frequenzbereichsanalyse.
3.4. Verarbeitung
Sobald Sie eine EEG-Aufzeichnung gemacht haben, reinigen Sie typischerweise die Daten, bevor Sie die Oszillationen verstehen.
Filtern
Eine Technik, um hoch- und niederfrequentes Umgebungsrauschen in den Daten zu entfernen.Artefakte entfernen
Körperbewegungen, Augenblinzeln können große Artefakte (> 50 µV-Spitzen im EEG) verursachen. Diese können entfernt werden, damit sie unsere Ergebnisse nicht beeinflussen. Einige Forscher verwenden ausgefeilte Methoden, um diese Artefakte zu korrigieren, um Daten zu erhalten.
Nachdem die Daten verarbeitet wurden, kann das Signal jetzt in den Frequenzbereich konvertiert werden, um die Menge jedes Typs von Gehirnwellen zu quantifizieren.
Abb. 8 – Augenblinzeln-Artefakt 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 Art von Oszillation in unserer Aufzeichnung war. Dies ist typischerweise die „Leistung“ des Frequenzbandes und kann als Leistungsspektrum dargestellt werden (Bild B).
Abb. 9A – Rohes EEG im Zeitbereich.
Abb. 9B – Leistungsspektrum nach FFT (Frequenzbereich).
3.6. Bandleistung
Die Leistung eines Frequenzbandes (z.B. Alpha-Band) wird aus einer Fourier-Transformation gewonnen und sagt uns, wie viel von jedem Frequenzband vorhanden ist. Die Einheit der Bandleistung ist typischerweise in µV2/Hz. Am häufigsten werden Amplituden oder Leistungsspektren aus einer FFT in logarithmischen Einheiten von Dezibel (dB) angezeigt. Das Dezibel ist eine Einheit des Verhältnisses zwischen einer gemessenen Leistung (P) und einer Referenzleistung (Pr) wie folgt:
Sobald diese Maßeinheit für Ereignisse von Interesse erhalten wurde, kann die Bandleistung zum Verständnis experimenteller Effekte auf die Gehirnwellen verglichen werden.
4. Von der Theorie zur Praxis
Als Nächstes werden wir den Alpha-Suppression-Effekt betrachten.
Dies ist ein Phänomen, das erstmals von Hans Berger berichtet wurde, bei dem wir einen signifikanten Rückgang der Menge an Alpha-Oszillationen (Alpha-Leistung) beobachten, wenn die Augen einer Person geöffnet sind, verglichen mit dem, wenn sie geschlossen sind.
Abb. 10 – Ein Anstieg von Alpha-Oszillationen kann gesehen werden, wenn die Augen geöffnet sind.
Zunächst haben wir mit EmotivPRO Builder ein einfaches Experiment aufgebaut. In diesem Experiment wird eine Person einfach gefragt, für 2 Minuten die Augen geöffnet zu halten, während sie sich auf den Bildschirm konzentriert, und dann für 2 Minuten zu schließen. Am Ende von 2 Minuten hören sie eine Glocke, um zu signalisieren, dass sie die Augen öffnen sollen.
Sie können das Video unten folgen, um Ihr eigenes Alpha-Suppression-Experiment zu machen oder Sie können unser Experiment über den Link hier laufen:
4.1. Geräteanpassung und EEG-Qualität
Erfahren Sie mehr darüber, wie unser EQ-Gate funktioniert hier. Finden Sie mehr Informationen über die Gerätelanpassung, die spezifisch für Ihr Headset ist, hier:
EPOC-Typ
Insight-Typ
4.2. Verarbeitung und Transformation der EEG-Daten
Jetzt, da Sie Ihre Daten haben, können Sie sie mit 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 haben Sie eine CSV-Datei mit Bandleistungen und eine Bilddatei, die Sie zur Durchführung Ihrer eigenen statistischen Analyse verwenden können.
Abb. 11 – Bandleistungen.
In unserem Ergebnis sehen wir den Anstieg der Alpha-Leistung, als die Augen geschlossen waren (orange) im Vergleich zu als sie geöffnet waren (blau).
Das ist das Ende unseres Tutorials! Sie sind jetzt mit den Grundlagen ausgestattet 🙂
Sie können einige Links zu einer umfangreicheren Lektüre im Abschnitt Ressourcen finden.
5. Ressourcen
FORTGESCHRITTENE LITERATUR
Donoghue et al. 2022 Methodologische Überlegungen zum Studium neuronaler Oszillationen
WÖRTERBUCH DER EEG-TERMINOLOGIE
Kane et al. 2017 (hier)
OPEN SOURCE CODE
Wenn Sie mit Python-Codierung vertraut sind, haben wir Python-Skripte bereitgestellt, mit denen Sie Alpha-Leistungswerte erhalten können, die nach Augenoffen- und Augengeschlossen-Abschnitten gekennzeichnet sind. Finden Sie den Code und Beispiele für Alpha-Suppression-Datendateien hier: https://osf.io/9bvgh/
EMOTIV MANUALS
EmotivPRO Builder-Handbuch
EmotivPRO-Handbuch
EmotivPRO Analyzer-Handbuch
7. Referenzen
Donoghue, T., Schaworonkow, N. und Voytek, B., 2022. Methodologische Überlegungen zum Studium neuronaler Oszillationen. Europäische Zeitschrift für Neurowissenschaften, 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. und van Putten, M.J., 2017. Ein überarbeitetes Glossar der Begriffe, die von klinischen Elektroenzephalographen am häufigsten verwendet werden und ein aktualisierter Vorschlag für das Berichtsformat der EEG-Ergebnisse. Überarbeitung 2017. Klinische Neurophysiologie-Praxis, 2, S.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Elektroenzephalogramm (EEG) und sein Hintergrund. In: EEG-Signalverarbeitung und -klassifizierung. Gesundheitsinformatik. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. Einführung
Willkommen! In diesem Tutorial lernen wir über Gehirnwellen und wie wir sie nutzen können, um das Gehirn und das Verhalten zu verstehen.
Hans Berger prägte den Begriff Elektroenzephalogramm im Jahr 1929, als er Veränderungen der elektrischen Potenziale beschrieb, die mit Sensoren aufgezeichnet wurden, die auf dem Kopf einer Person platziert wurden. Er identifizierte zwei Arten von Gehirnwellen, die er einfach als Alpha- und Beta-Wellen bezeichnete, nur wegen der Reihenfolge, in der er sie aufzeichnete. Solche Wellen waren auch bei anderen Säugetieren aufgezeichnet worden, aber Berger hatte sie erstmals beim Menschen beschrieben!
Seitdem ist die Elektroenzephalographie-Methode ein wichtiges Werkzeug in der Neurowissenschaft geworden und hat unser Verständnis von Gehirnwellen (die von Forschern neuronale Oszillationen genannt werden) weiterentwickelt und geholfen, Zustände im Gehirn wie Müdigkeit und Wachsamkeit 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 tun?
Praktische Anwendung mit Emotiv-Geräten und Software.
2. Was ist EEG?
Die Elektroenzephalografie (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 Populationen von Gehirnzellen, den sogenannten Neuronen, erzeugt wird.
Abb. 1 – Neuronen erzeugen elektrische Aktivität, die mit einem EEG-Gerät detektiert werden kann [Siuly, et al. (2016)].
2.1. EEG-Systeme
Es gibt viele EEG-Geräte auf dem Markt, die zur Aufzeichnung eines EEG verwendet werden können. EEG-Geräte können Folgendes bieten:
Einzelne Sensoren oder bis zu 256 Elektroden – Mehr Elektroden würden eine höhere räumliche Auflösung der Informationen über die Kopfhaut ergeben.
Nasse oder trockene Elektroden – Nasse Elektroden verwenden ein elektrolytisches Gel oder eine salzige Lösung zur Verbesserung der Leitfähigkeit zwischen der Kopfhaut und dem Sensor. Trockene Elektroden können aus Metall oder leitfähigen Polymeren bestehen, die direkten Kontakt mit der Kopfhaut benötigen.
Aktive oder passive Elektroden – Passive Elektroden-Systeme leiten das Signal einfach zum Gerät, wo es verstärkt wird. Aktive Elektroden-Systeme verstärken das Signal an jeder Elektrode, bevor es das Gerät zur Verstärkung erreicht. Dies reduziert das Umgebungsgeräusch im Signal.
Kabelführende oder drahtlose Geräte, die Daten via Bluetooth übertragen.
Abb. 2 – Ein drahtloses, niederfrequentes EEG-System.
Abb. 3 – Ein kabelgebundenes, hochfrequentes Elektroden-EEG-System.
2.2. Wann sollte man EEG verwenden?
Jede neuroimaging-Methode kann helfen, verschiedene Forschungsfragen zu beantworten.
Die größte Stärke des EEG ist, dass es neuronale Aktivität im Millisekundenbereich messen kann, die vorbewusste Prozesse erfassen kann.
Abb. 4 – Räumliche vs. zeitliche Auflösung verschiedener Neuroimaging-Tools.
Es eignet sich am besten für Fragen wie „Auf welche Teile meines Videos haben die Teilnehmer am meisten geachtet?“
EEG zeichnet Aktivitäten hauptsächlich aus den äußeren Schichten des Gehirns auf (d.h. hat eine niedrige räumliche Auflösung). Mit einem einzelnen Sensor ist es unmöglich, die Quelle der Aktivität zu identifizieren. Die Aufzeichnung mit einer großen Anzahl von Kanälen kann mathematisch ermöglichen, die Quelle zu rekonstruieren, ist jedoch immer noch beschränkt bei der Identifizierung tiefer Quellen. Die funktionelle Magnetresonanztomographie (fMRI) ist besser geeignet, um Fragen wie „Welcher Teil des Gehirns ist mit Veränderungen in der Aufmerksamkeit verbunden?“ zu beantworten.
2.3. Sensor zu rohem EEG?
Nachdem ein EEG-Gerät auf dem Kopf befestigt wurde, wird die Gehirnaktivität an einem einzelnen Sensor als Differenz der Amplitude zwischen diesem Sensor und einem Referenzsensor gemessen. In den meisten EEG-Systemen wird dies als gemeinsame Modus-Sense (CMS) Elektrode bezeichnet. Ein zusätzlicher Sensor, das getriebenen rechtes Bein (DRL), hilft, mögliche Störungen am CMS zu reduzieren.
Abb. 5 – Vereinfachtes Blockdiagramm der EEG-Signalübertragung.
In Systemen mit sowohl aktiven als auch passiven Elektroden wird das Signal dann verstärkt und niederfrequent gefiltert. Das Niedrigpassfilter ist ein Schritt, der mögliche elektrische Störungen aus der Umgebung in Ihrem Signal entfernt, z.B. Stromleitungen.
Diese Schritte geschehen in der Hardware selbst, bevor das rohe EEG-Signal auf Ihrem Computerbildschirm angezeigt werden kann.
2.4. Einige grundlegende Begriffe
10-20 Standardbenennungskonvention
Linke Sensoren sind normalerweise ungerade nummeriert und rechte Sensoren meist gerade nummeriert.
Hinweis 1: Dies sind nur Benennungskonventionen und die Quelle des EEG-Sensorkonträts ist kein Hinweis auf die Quelle der Aktivität.
Hinweis 2: Zusätzliche Schritte wie die mathematische Rekonstruktion der Quelle müssen unternommen werden, um die Quelle der Aktivität an einem einzelnen Kanal zu bestimmen.
3. Was sind neuronale Oszillationen?
Gehirnwellen, häufig als neuronale Oszillationen bezeichnet, sind rhythmische Muster, die von einem einzelnen oder Cluster von Neuronen erzeugt werden.
Es ist noch unklar, warum das Gehirn diese verschiedenen Arten von Oszillationen erzeugt, obwohl es viele Theorien gibt. Forscher verwenden verschiedene Aufgaben, um diese oszillatorischen Aktivitäten zu charakterisieren und zielen darauf ab, die Geheimnisse des Gehirns mit diesen rhythmischen Mustern zu verstehen.
3.1. Einige Eigenschaften einer Oszillation
Diese Abbildung zeigt eine Messung eines regulären elektrischen Signals:
Abb. 6 – Räumliche vs. zeitliche Auflösung verschiedener Neuromapping-Tools.
Auf der linken Seite (y-Achse) können wir die Amplitude der elektrischen Aufzeichnung darstellen und auf der horizontalen Achse (x-Achse) die Zeit. Die Amplitude des Signals variiert in einer regelmäßigen Weise um einen zentralen Punkt. 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 1 Zyklus pro Sekunde = 1 Hz. Amplituden werden typischerweise in Mikrovolt (µV) gemessen.
Im Gehirn sehen wir Wellen mit Frequenzen, die von 0,2 Hz (sehr langsame Wellen) bis zu 80 Hz oder mehr (sehr schnelle Wellen) reichen. Hochfrequente Aktivitäten bis zu 500 Hz, die mit Anfällen assoziiert sind, können ebenfalls im Gehirn aufgezeichnet werden.
Unterschiedliche Arten von Gehirnoszillationen werden basierend auf ihrer Frequenz charakterisiert. Diese sind als Frequenzbänder bekannt und können mit verschiedenen Gehirnzuständen in Verbindung gebracht werden:
Abb. 7 – Gehirnwellen im typischen EEG.
3.2. Warum sind verschiedene Frequenzbänder wichtig?
Identifikation von normalen vs abnormalen Gehirnmustern
Neuronale Oszillationen sind wichtig zur Erkennung von Anfällen und zur Diagnose von Epilepsie in der Neurologie.Gehirn-Computer-Schnittstellen (BCI)
Die Menge an Beta-, Gamma- und Mu-Oszillationen wird oft verwendet, um fernsteuerbare Geräte zu trainieren (z.B. einen Rollstuhl mit Gedanken zu bewegen).Neurofeedback
Dies ist eine Form des Gehirntrainings, bei dem Sie Ihre Gehirnwellen (z.B. Gamma-Oszillationen) ansehen können und an kognitiven Aufgaben teilnehmen, um die Menge an Gamma-Oszillationen in Ihrem Gehirn zu verbessern.Neuromarketing
Alpha- und Beta-Frequenzbänder können verwendet werden, um zu bestimmen, welcher Teil einer Werbung ansprechender oder weniger ansprechend ist.
3.3. Arten der EEG-Datenanalyse
In der Regel führen Forscher Analysen entweder im Zeitbereich oder im Frequenzbereich durch.
Analyse im Zeitbereich
Typischerweise wird die Spannungsamplitude zu bestimmten Zeitpunkten nach dem Auftreten eines Stimulus gemessen. Diese werden als ereignisbezogene Potentiale (ERPs) bezeichnet.
Analyse im Frequenzbereich
Typischerweise wird die Menge der neuronalen Oszillationen in verschiedenen Frequenzbändern in einem definierten Zeitfenster oder in Bezug auf den Beginn eines Ereignisses gemessen.
Als Nächstes geben wir einen Überblick über die Frequenzbereichsanalyse.
3.4. Verarbeitung
Sobald Sie eine EEG-Aufzeichnung gemacht haben, reinigen Sie typischerweise die Daten, bevor Sie die Oszillationen verstehen.
Filtern
Eine Technik, um hoch- und niederfrequentes Umgebungsrauschen in den Daten zu entfernen.Artefakte entfernen
Körperbewegungen, Augenblinzeln können große Artefakte (> 50 µV-Spitzen im EEG) verursachen. Diese können entfernt werden, damit sie unsere Ergebnisse nicht beeinflussen. Einige Forscher verwenden ausgefeilte Methoden, um diese Artefakte zu korrigieren, um Daten zu erhalten.
Nachdem die Daten verarbeitet wurden, kann das Signal jetzt in den Frequenzbereich konvertiert werden, um die Menge jedes Typs von Gehirnwellen zu quantifizieren.
Abb. 8 – Augenblinzeln-Artefakt 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 Art von Oszillation in unserer Aufzeichnung war. Dies ist typischerweise die „Leistung“ des Frequenzbandes und kann als Leistungsspektrum dargestellt werden (Bild B).
Abb. 9A – Rohes EEG im Zeitbereich.
Abb. 9B – Leistungsspektrum nach FFT (Frequenzbereich).
3.6. Bandleistung
Die Leistung eines Frequenzbandes (z.B. Alpha-Band) wird aus einer Fourier-Transformation gewonnen und sagt uns, wie viel von jedem Frequenzband vorhanden ist. Die Einheit der Bandleistung ist typischerweise in µV2/Hz. Am häufigsten werden Amplituden oder Leistungsspektren aus einer FFT in logarithmischen Einheiten von Dezibel (dB) angezeigt. Das Dezibel ist eine Einheit des Verhältnisses zwischen einer gemessenen Leistung (P) und einer Referenzleistung (Pr) wie folgt:
Sobald diese Maßeinheit für Ereignisse von Interesse erhalten wurde, kann die Bandleistung zum Verständnis experimenteller Effekte auf die Gehirnwellen verglichen werden.
4. Von der Theorie zur Praxis
Als Nächstes werden wir den Alpha-Suppression-Effekt betrachten.
Dies ist ein Phänomen, das erstmals von Hans Berger berichtet wurde, bei dem wir einen signifikanten Rückgang der Menge an Alpha-Oszillationen (Alpha-Leistung) beobachten, wenn die Augen einer Person geöffnet sind, verglichen mit dem, wenn sie geschlossen sind.
Abb. 10 – Ein Anstieg von Alpha-Oszillationen kann gesehen werden, wenn die Augen geöffnet sind.
Zunächst haben wir mit EmotivPRO Builder ein einfaches Experiment aufgebaut. In diesem Experiment wird eine Person einfach gefragt, für 2 Minuten die Augen geöffnet zu halten, während sie sich auf den Bildschirm konzentriert, und dann für 2 Minuten zu schließen. Am Ende von 2 Minuten hören sie eine Glocke, um zu signalisieren, dass sie die Augen öffnen sollen.
Sie können das Video unten folgen, um Ihr eigenes Alpha-Suppression-Experiment zu machen oder Sie können unser Experiment über den Link hier laufen:
4.1. Geräteanpassung und EEG-Qualität
Erfahren Sie mehr darüber, wie unser EQ-Gate funktioniert hier. Finden Sie mehr Informationen über die Gerätelanpassung, die spezifisch für Ihr Headset ist, hier:
EPOC-Typ
Insight-Typ
4.2. Verarbeitung und Transformation der EEG-Daten
Jetzt, da Sie Ihre Daten haben, können Sie sie mit 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 haben Sie eine CSV-Datei mit Bandleistungen und eine Bilddatei, die Sie zur Durchführung Ihrer eigenen statistischen Analyse verwenden können.
Abb. 11 – Bandleistungen.
In unserem Ergebnis sehen wir den Anstieg der Alpha-Leistung, als die Augen geschlossen waren (orange) im Vergleich zu als sie geöffnet waren (blau).
Das ist das Ende unseres Tutorials! Sie sind jetzt mit den Grundlagen ausgestattet 🙂
Sie können einige Links zu einer umfangreicheren Lektüre im Abschnitt Ressourcen finden.
5. Ressourcen
FORTGESCHRITTENE LITERATUR
Donoghue et al. 2022 Methodologische Überlegungen zum Studium neuronaler Oszillationen
WÖRTERBUCH DER EEG-TERMINOLOGIE
Kane et al. 2017 (hier)
OPEN SOURCE CODE
Wenn Sie mit Python-Codierung vertraut sind, haben wir Python-Skripte bereitgestellt, mit denen Sie Alpha-Leistungswerte erhalten können, die nach Augenoffen- und Augengeschlossen-Abschnitten gekennzeichnet sind. Finden Sie den Code und Beispiele für Alpha-Suppression-Datendateien hier: https://osf.io/9bvgh/
EMOTIV MANUALS
EmotivPRO Builder-Handbuch
EmotivPRO-Handbuch
EmotivPRO Analyzer-Handbuch
7. Referenzen
Donoghue, T., Schaworonkow, N. und Voytek, B., 2022. Methodologische Überlegungen zum Studium neuronaler Oszillationen. Europäische Zeitschrift für Neurowissenschaften, 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. und van Putten, M.J., 2017. Ein überarbeitetes Glossar der Begriffe, die von klinischen Elektroenzephalographen am häufigsten verwendet werden und ein aktualisierter Vorschlag für das Berichtsformat der EEG-Ergebnisse. Überarbeitung 2017. Klinische Neurophysiologie-Praxis, 2, S.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Elektroenzephalogramm (EEG) und sein Hintergrund. In: EEG-Signalverarbeitung und -klassifizierung. Gesundheitsinformatik. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
